r - R中的SVM:“预测变量必须是数字或有序的。”

Question

我是R的新手，因此遇到了这个问题：我想比较两种将其应用于某些数据的预测技术（支持向量机和神经网络），并希望比较它们的性能。为此，我使用ROC曲线。该代码应该用于计算ROC曲线下的面积，但是它不起作用。神经网络代码工作正常，但是执行SVM部件时出现以下错误：


> aucs <-auc（（dtest $ recid ==“ SI”）* 1，lr.pred）

roc.default（响应，预测变量，auc = TRUE，...）中的错误：
预测变量必须是数字或有序的。

> obj.roc <-roc（（dtest $ recid ==“ SI”）* 1，lr.pred）

roc.default（（dtest $ recid ==“ SI”）* 1，lr.pred）错误：
预测变量必须是数字或有序的。


这是我的代码。

library(stats)
library(pROC)
library(nnet)
library(e1071)
library(rpart)

data <- read.table("data.csv", header=T)

set.seed(1234)
ind    <- sample(2, nrow(data), replace=TRUE, prob=c(0.8, 0.2))
dtrain <- data[ind==1,]
dtest  <- data[ind==2,]

# Variables for storing comparison results #
bestAuc = 0
bestIdx = 0

# Support Vector Machines
lr.fit  <- svm(recid~., data=dtrain, cost=1000, gamma=1, probability=TRUE)
lr.pred <- predict(lr.fit, dtest, type="response")
aucs    <- auc((dtest$recid=="SI")*1, lr.pred)
obj.roc <- roc((dtest$recid=="SI")*1, lr.pred)

print("SVN (default)")
bestAuc = aucs # Initialize


# Neural networks
lr.fit  <- nnet(recid~., data=dtrain, size=4, maxit=500, decay=1, trace=FALSE)
lr.pred <- predict(lr.fit, dtest, type="raw")
aucs    <- auc((dtest$recid=="SI")*1, lr.pred)
obj.roc <- roc((dtest$recid=="SI")*1,  lr.pred )

if(aucs > bestAuc) {
  bestAuc <- aucs
  bestIdx <- 1
  print("Neural networks")
}

我一直在寻找信息，但似乎我使用的方法很少。我看到了一个名为ROCR的软件包，我认为这可能很有用，但我还会遇到性能函数错误。我对所有这些库都有些迷路，因此我尝试坚持最初的解决方案，而没有进行任何改进。我该怎么办？


编辑：

该解决方案基于Calimo的想法。预测的返回值未提供所需格式的数据，因此需要使用以下格式：

lr.pred <- attr(lr.pred,"probabilities")[,c("SI")]

该句子将在ROC曲线中获得要分析的列。

Answer 1

如错误消息所述，您需要在lr.pred中使用数字矢量或有序因子。这里的问题是，预测（对于svm）返回预测的类，从而使ROC练习几乎毫无用处。

您需要获得内部分数，例如课堂概率：

lr.pred <- predict(lr.fit, dtest, probability = TRUE)

（对于一等或二等，您必须选择获得哪种概率。还要注意，type = "response"被忽略了。）