按组计算准确度答案

【问题标题】：Calculate accuracy by groups按组计算准确度
【发布时间】：2016-05-13 23:00:40
【问题描述】：

我有一个如下所示的数据框：

df<- data.frame("iteration" = c(1,1,1,1,1,1), 
    "model" = c("RF","RF","RF","SVM", "SVM","SVM"),
    "label" = c(0,0,1,0,0,1), "prediction" = c(0,1,1,0,1,1))

  iteration model label prediction
1         1    RF     0          0
2         1    RF     0          1
3         1    RF     1          1
4         1   SVM     0          0
5         1   SVM     0          1
6         1   SVM     1          1

实际上，它有10 iterations，更多的模型和每个模型的更多数据。

我要做的基本上是获得每个模型的准确性。

所以基本上我想将此应用于每个模型组（RF，SVM）：

table(df$label,df$prediction)

    0 1
  0 2 2
  1 0 2

它们将对角线相加并除以总数：

sum(diag(table(df$label,df$prediction)))/sum(table(df$label,df$prediction))
[1] 0.6666667

这是我可以使用tapply 还是dplyr 派上用场的情况？

我在这里很迷茫。

【问题讨论】：

标签： r dplyr tapply confusion-matrix

【解决方案1】：

试试：

library(dplyr)

df %>% 
  group_by(iteration, model) %>% 
  summarise(accuracy = sum(label == prediction) / n())

这给出了：

#Source: local data frame [2 x 3]
#Groups: iteration [?]
#
#  iteration  model  accuracy
#      (dbl) (fctr)     (dbl)
#1         1     RF 0.6666667
#2         1    SVM 0.6666667

想法是将label == prediction返回TRUE的次数相加，然后除以分区大小n()

【讨论】：

这太棒了@Steven Beaupré，你能澄清一下准确性的部分吗？我只是不明白为什么会这样sum(label == prediction) / n()
@SaulGarcia 很高兴它有帮助。有关其工作原理的更多详细信息，请参阅更新。如果这回答了您的问题，请随时将其标记为已回答。
当然！哈哈你这么快，还需要我等一下

【解决方案2】：

  df2<-df %>% mutate(acc=ifelse(label==prediction,1,0)) %>%
 group_by(iteration,model) %>%
 summarise(accuracy=sum(acc)/n())

df2

 iteration  model  accuracy
  (dbl) (fctr)     (dbl)
 1         1     RF 0.6666667
 2         1    SVM 0.6666667

【讨论】：

看看我 3 分钟前发布的答案。

【解决方案3】：

使用data.table

library(data.table)
setDT(df)[, .(accuracy= mean(label==prediction)) , .(iteration, model)]
#   iteration model  accuracy
#1:         1    RF 0.6666667
#2:         1   SVM 0.6666667

或者这可以通过base R 来完成

aggregate(cbind(accuracy = label == prediction)~iteration + model, df, mean)
#  iteration model  accuracy
#1         1    RF 0.6666667
#2         1   SVM 0.6666667

【讨论】：