r - 插入符 - 使用 train()、predict() 和 resamples() 的不同结果

Question

我正在使用 Caret 包来分析各种模型，并使用以下方法评估结果:

• print() [打印train()的结果],
• 预测()，并且
• 重新采样()。

为什么以下示例中的结果不同？

我对敏感性(真阳性)感兴趣。 为什么 J48_fit 的灵敏度被评估为 0.71，然后是 0.81，然后又是 0.71

当我运行其他模型时，也会发生同样的情况 - 灵敏度会根据评估而变化。

注意:我在这里包含了两个模型，以便说明 resamples() 函数，该函数必须采用两个模型作为输入，但我的主要问题是结果之间的差异取决于所使用的方法。

换句话来说，train() (C5.0_fit/J48_fit)、predict() 和 resamples() 的结果有什么区别？ “幕后”发生了什么以及我应该相信哪个结果？

示例:

library(C50)
data(churn)

Seed <- 10

# Set train options
set.seed(Seed)
Train_options <- trainControl(method = "cv", number = 10,
                              classProbs = TRUE,
                              summaryFunction = twoClassSummary)

# C5.0 model:
set.seed(Seed)
C5.0_fit <- train(churn~., data=churnTrain, method="C5.0", metric="ROC",
                 trControl=Train_options)

# J48 model:
set.seed(Seed)
J48_fit <- train(churn~., data=churnTrain, method="J48", metric="ROC",
                 trControl=Train_options)
# Get results by printing the outcome
print(J48_fit)

#                      ROC Sens Spec
# Best (sensitivity): 0.87 0.71 0.98  

# Get results using predict()
set.seed(Seed)
J48_fit_predict <- predict(J48_fit, churnTrain)
confusionMatrix(J48_fit_predict, churnTrain$churn)
#             Reference
# Prediction  yes   no
#       yes  389    14
#       no    94  2836
# Sens : 0.81          
# Spec : 0.99

# Get results by comparing algorithms with resamples()
set.seed(Seed)
results <- resamples(list(C5.0_fit=C5.0_fit, J48_fit=J48_fit))
summary(results)
# ROC         mean
# C5.0_fit    0.92  
# J48_fit     0.87
# Sens        mean
# C5.0_fit    0.76  
# J48_fit     0.71
# Spec        mean
# C5.0_fit    0.99  
# J48_fit     0.98

顺便说一下，这是一个将所有三个结果组合在一起的函数:

Get_results <- function(...){

  Args <- list(...)
  Model_names <- as.list(sapply(substitute({...})[-1], deparse))

  message("Model names:")
  print(Model_names)

  # Function for getting max sensitivity
  Max_sens <- function(df, colname = "results"){
    df <- df[[colname]]
    new_df <- df[which.max(df$Sens), ]
    x <- sapply(new_df, is.numeric)
    new_df[, x] <- round(new_df[, x], 2)
    new_df
  }

  # Find max Sens for each model
  message("Max sensitivity from model printout:")
  Max_sens_out <- lapply(Args, Max_sens)
  names(Max_sens_out) <- Model_names
  print(Max_sens_out)

  # Find predict() result for each model
  message("Results using predict():")
  set.seed(Seed)
  Predict_out <- lapply(Args, function(x) predict(x, churnTrain))
  Predict_results <- lapply(Predict_out, function(x) confusionMatrix(x, churnTrain$churn))
  names(Predict_results) <- Model_names
  print(Predict_results)

  # Find resamples() results for each model

  message("Results using resamples():")
  set.seed(Seed)
  results <- resamples(list(...),modelNames = Model_names)
  # names(results) <- Model_names
  summary(results)

}

# Test
Get_results(C5.0_fit, J48_fit)

非常感谢!

Answer 1

您打印的最佳灵敏度是 10 次折叠中每一次的模型性能的平均值(来自您的简历)。您可以使用 J48_fit$resample 查看每次折叠的性能。然后为了确认，您可以使用 mean(J48_fit$resample[,1]) 取第一列 ROC 的平均值，您将得到 0.865799。

当您在完整数据集上使用 predict() 时，您最终会得到不同的结果，因为数据与重新采样中使用的数据不同 - 您将获得模型性能整个数据，而不是一次 10%。