我正在寻找一种解决方案，将 {caret} 中的 fusionMatrix() 函数应用到拆分列表的特定元素。我有 3 个组，每个组有 10 个实际值观察值和 3 个预测值列。
library(caret)
set.seed(10)
dat <- data.frame(Group = c(rep(1, 10), rep(2, 10), rep(3, 10)), Actual = round(runif(30, 0, 1)),
Preds1 = round(runif(30, 0, 1)), Preds2 = round(runif(30, 0, 1)), Preds3 = round(runif(30, 0, 1)))
> dat
Group Actual Preds1 Preds2 Preds3
1 1 1 1 0 0
2 1 0 0 0 1
3 1 0 0 0 1
4 1 1 1 0 1
...........
27 3 1 0 1 0
28 3 0 0 0 1
29 3 1 0 0 1
30 3 0 1 0 1
最终的解决方案应按组、每个 Preds 列创建混淆矩阵。我将需要实际的混淆矩阵表，但最终需要提取 $overall 和 $byClass 元素，并最终得到如下所示的内容。
> conf_matrix
$Preds1
Accuracy Sensitivity Specificity
[1,] 0.73 0.8 0.6
[2,] 0.93 0.91 1
[3,] 0.87 0.83 1
[4,] 0.8 0.82 0.75
...............
[27,] 0.8 0.82 0.75
[28,] 0.58 0.67 0.5
[29,] 1 0.67 1
[30,] 1 0 1
$Preds2
Accuracy Sensitivity Specificity
[1,] 0.73 0.8 0.6
[2,] 0.93 0.91 1
[3,] 0.87 0.83 1
[4,] 0.8 0.82 0.75
...............
[27,] 0.8 0.82 0.75
[28,] 0.58 0.67 0.5
[29,] 1 0.67 1
[30,] 1 0 1
$Preds3
...............
我已经尝试了下面的脚本，但在尝试按每个组中的 Preds 列进行二级索引时不断遇到问题。我相信这与我的嵌套 lapply 以及我的索引方式有关，因为当我分解代码并一次逐步执行它时，这会起作用。
我也尝试使用 table() 手动执行此操作，但是放弃了该方法，因为它不能像使用 fusionMatrix() 那样给我一致的结果。
lapply(seq_along(split(dat[3:5], list(dat$Group))), function(x) {
x_temp <- split(dat[3:5], list(dat$Group))[[x]]
lapply(seq_along(x_temp), function(x2) {
x_temp <- x_temp[[x2]]
lapply(seq_along(split(dat[2], list(dat$Group))), function(y) {
y_temp <- split(dat[2], list(dat$Group))[[y]]
lapply(seq_along(y_temp), function(y2) {
y_temp <- y_temp[[y2]]
confusionMatrix(x_temp, y_temp)
})
})
})
})
我可能偏离了基地，所以我愿意接受所有建议和评论。
最佳答案
我不明白最终结果，但混淆矩阵将通过以下方式获得。
library(caret)
set.seed(10)
dat <- data.frame(Group = c(rep(1, 10), rep(2, 10), rep(3, 10)), Actual = round(runif(30, 0, 1)),
Preds1 = round(runif(30, 0, 1)), Preds2 = round(runif(30, 0, 1)), Preds3 = round(runif(30, 0, 1)))
dat[] <- lapply(dat, as.factor)
# split by group
dats <- split(dat[,-1], dat$Group)
cm <- do.call(c, lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
}))
cm[1:3]
$`1.Preds1`
Reference
Prediction 0 1
0 3 4
1 0 3
$`1.Preds2`
Reference
Prediction 0 1
0 4 3
1 3 0
$`1.Preds3`
Reference
Prediction 0 1
0 3 4
1 1 2
@布莱恩
在链接 ( What's the difference between lapply and do.call in R? ) 中，我发现 Paul Hiemstra 的答案非常简单。
-lapply类似于 map , do.call不是。 lapply将函数应用于列表的所有元素，do.call调用一个函数，其中所有函数参数都在列表中。所以对于n元素列表，lapply有n函数调用，以及do.call刚刚one函数调用。所以do.call与 lapply 有很大不同.
在示例中，
dats具有三个元素 - 1 , 2和3
dats <- split(dat[,-1], dat$Group)
dats[1]
$`1`
Actual Preds1 Preds2 Preds3
1 1 1 0 0
2 0 0 0 1
3 0 0 0 1
4 1 1 0 1
5 0 0 1 0
6 0 1 1 1
7 0 1 1 0
8 0 1 0 1
9 1 1 0 1
10 0 1 0 0
下面是双循环，第一个循环应用于 1 , 2和3第二个循环到 Preds1、Preds2 和 Preds3。因此，lapply() 生成的列表单独生成一个嵌套列表，如下所示。
lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
})[1]
$`1`
$`1`$Preds1
Reference
Prediction 0 1
0 3 4
1 0 3
$`1`$Preds2
Reference
Prediction 0 1
0 4 3
1 3 0
$`1`$Preds3
Reference
Prediction 0 1
0 3 4
1 1 2
然而，上面的内容稍后使用起来并不容易，因为需要另一个双循环才能访问每个混淆矩阵。它被简化为 do.call() 。第一个参数c是一个函数，它的作用是 c(dats$ 1 $Preds1, dats$ 1 $Preds2, dats$ 1 $Preds2 ...)以便将结构简化为可以通过单个循环访问。通常我倾向于使用 do.call()当需要更改列表的结构时。
do.call(c, lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
}))[1:3]
$`1.Preds1`
Reference
Prediction 0 1
0 3 4
1 0 3
$`1.Preds2`
Reference
Prediction 0 1
0 4 3
1 3 0
$`1.Preds3`
Reference
Prediction 0 1
0 3 4
1 1 2
关于r - 将fusionMatrix()应用于R中拆分列表的元素，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29902946/