曲线下的 R 逻辑回归面积答案

【问题标题】：R logistic regression area under curve曲线下的 R 逻辑回归面积
【发布时间】：2013-08-29 05:32:54
【问题描述】：

我正在使用这个page 执行逻辑回归。我的代码如下。

mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")
mylogit <- glm(admit ~ gre, data = mydata, family = "binomial")
summary(mylogit)
prob=predict(mylogit,type=c("response"))
mydata$prob=prob

运行此代码后，mydata 数据框有两列 - 'admit' 和 'prob'。这两列不应该足以获得 ROC 曲线吗？

如何获得 ROC 曲线。

其次，通过查看 mydata，该模型似乎在预测 admit=1 的概率。

正确吗？

如何找出模型预测的特定事件？

谢谢

更新：看来下面三个命令很有用。它们提供了具有最大精度的截止值，然后有助于获得 ROC 曲线。

coords(g, "best")

mydata$prediction=ifelse(prob>=0.3126844,1,0)

confusionMatrix(mydata$prediction,mydata$admit

【问题讨论】：

用小数据集测试您对预测内容的不确定性不是很简单吗？还是只看with(mydata, table(admit,gre))的结果？逻辑回归只是对一堆表进行估计。）
是的...我们可以这样做..我按照相同的方法得出结论，它预测的当前案例承认 = 1..但认为 R 会有一些捷径这将证实我的想法。关于找出能够从 roc 对象中获得最大准确性的阈值有什么评论吗？
关于“关于找出能够从 roc 对象中获得最大准确性的阈值的任何评论？”：我认为答案是 coords(g, "best")...

标签： r regression roc confusion-matrix

【解决方案1】：

ROC 曲线比较预测和答案的排名。因此，您可以使用 pROC 包评估 ROC 曲线，如下所示：

mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")
mylogit <- glm(admit ~ gre, data = mydata, family = "binomial")
summary(mylogit)
prob=predict(mylogit,type=c("response"))
mydata$prob=prob
library(pROC)
g <- roc(admit ~ prob, data = mydata)
plot(g)

【讨论】：

这是有道理的。如果可能，请回答“其次，通过查看 mydata，模型似乎预测了承认 = 1 的概率。正确吗？如何找出模型预测的特定事件？”也。我查看了 roc 对象并了解 g$sensitive 和 g$specificities 会给我特定的值，但是如果我想找出可以提供最大准确度的阈值，那么我可以从 roc 对象中获取该数字吗？
@wush978 “admit”变量是预测类还是实际类？
获取数据的那个 URL 现在似乎已经过时了。对于有兴趣复制此示例的其他任何人，现在似乎可行的是 mydata stats.idre.ucla.edu/stat/data/binary.csv") （使用不想出现在评论中的 https:// 前缀 tho'）

【解决方案2】：

另一种绘制 ROC 曲线的方法...

library(Deducer)
modelfit <- glm(formula=admit ~ gre + gpa, family=binomial(), data=mydata, na.action=na.omit)
rocplot(modelfit)

【讨论】：

您需要为此安装 Java，否则您会收到错误消息，仅供参考。 Error: .onLoad failed in loadNamespace() for 'rJava', details: call: fun(libname, pkgname) error: JAVA_HOME cannot be determined from the Registry

【解决方案3】：

#Another way to plot ROC

mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")   
mylogit <- glm(admit ~ gre, data = mydata, family = "binomial")    
summary(mylogit)     
prob=predict(mylogit,type=c("response"))    
library("ROCR")    
pred <- prediction(prob, mydata$admit)    
perf <- performance(pred, measure = "tpr", x.measure = "fpr")     
plot(perf, col=rainbow(7), main="ROC curve Admissions", xlab="Specificity", 
     ylab="Sensitivity")    
abline(0, 1) #add a 45 degree line

【讨论】：

你能对你的答案添加一些解释吗？
@Conny AUC 可以计算为auc = performance(pred, "auc")
@SIslam 感谢您的评论！问题的标题是 AUC，而每个人都在谈论 ROC。它们是相关的概念，但并不相同。