Caret分类阈值

Question

我一直在使用gbm在Rstudio中的caret包中查找出现故障的概率。

我用Youden的J找到了最佳分类的阈值，即0.63。我现在如何使用这个阈值？我认为最好的方法是在gbm模型中加入caret的阈值，以获得更准确的预测，然后在训练数据上重新运行模型？目前，它默认为0.5，我找不到一个明显的方法来更新阈值。

或者，阈值是否仅用于将测试数据预测分离为正确的类？这看起来更直截了当，但是假设概率应该根据新的阈值更新，那么我如何反映ROC_AUC图中的变化呢？

任何帮助都将受到感激。谢谢

编辑：我正在处理的完整代码如下：

library(datasets)
library(caret)
library(MLeval)
library(dplyr)

data(iris)
data <- as.data.frame(iris)

# create class
data$class <- ifelse(data$Species == "setosa", "yes", "no")

# split into train and test
train <- data %>% sample_frac(.70)
test <- data %>% sample_frac(.30)


# Set up control function for training
ctrl <- trainControl(method = "cv",
                     number = 5, 
                     returnResamp = 'none',
                     summaryFunction = twoClassSummary,
                     classProbs = T,
                     savePredictions = T,
                     verboseIter = F)

# Set up trainng grid - this is based on a hyper-parameter tune that was recently done
gbmGrid <-  expand.grid(interaction.depth = 10,
                        n.trees = 20000,                                          
                        shrinkage = 0.01,                                         
                        n.minobsinnode = 4) 


# Build a standard classifier using a gradient boosted machine
set.seed(5627)
gbm_iris <- train(class ~ .,
                   data = train,
                   method = "gbm",
                   metric = "ROC",
                   tuneGrid = gbmGrid,
                   verbose = FALSE,
                   trControl = ctrl)

# Calcuate best thresholds
caret::thresholder(gbm_iris, threshold = seq(.01,0.99, by = 0.01), final = TRUE, statistics = "all")

pred <- predict(gbm_iris, newdata = test, type = "prob")
roc <- evalm(data.frame(pred, test$class))

Answer 1

您的代码中有几个问题。我将使用来自mlbench的PimaIndiansDiabetes数据集，因为它比iris数据集更适合。

首先，对于将数据分割成火车和测试集的代码：

train <- data %>% sample_frac(.70)
test <- data %>% sample_frac(.30)

不适合，因为在火车集中出现的一些行也会出现在测试集中。

此外，避免使用函数名作为对象名称，这将节省您的许多头痛从长远来看。

data(iris)
data <- as.data.frame(iris) #bad object name

举个例子：

library(caret)
library(ModelMetrics)
library(dplyr)
library(mlbench)

data(PimaIndiansDiabetes, package = "mlbench")

创建培训和测试集，您可以使用基R sample来采样行或caret::createDataPartition。createDataPartition更可取，因为它试图保留响应的分布。

set.seed(123)
ind <- createDataPartition(PimaIndiansDiabetes$diabetes, 0.7)


tr <- PimaIndiansDiabetes[ind$Resample1,]
ts <- PimaIndiansDiabetes[-ind$Resample1,]

这样，火车组中的行将不会出现在测试集中。

让我们创建模型：

ctrl <- trainControl(method = "cv",
                     number = 5, 
                     returnResamp = 'none',
                     summaryFunction = twoClassSummary,
                     classProbs = T,
                     savePredictions = T,
                     verboseIter = F)


gbmGrid <-  expand.grid(interaction.depth = 10,
                        n.trees = 200,                                          
                        shrinkage = 0.01,                                         
                        n.minobsinnode = 4) 

set.seed(5627)
gbm_pima <- train(diabetes ~ .,
                  data = tr,
                  method = "gbm", #use xgboost
                  metric = "ROC",
                  tuneGrid = gbmGrid,
                  verbose = FALSE,
                  trControl = ctrl)

为脱粒机创建概率向量

probs <- seq(.1, 0.9, by = 0.02)

ths <- thresholder(gbm_pima,
                   threshold = probs,
                   final = TRUE,
                   statistics = "all")

head(ths)

Sensitivity Specificity Pos Pred Value Neg Pred Value Precision Recall        F1 Prevalence Detection Rate Detection Prevalence
1     200                10      0.01              4           0.10       1.000  0.02222222      0.6562315      1.0000000 0.6562315  1.000 0.7924209  0.6510595      0.6510595            0.9922078
2     200                10      0.01              4           0.12       1.000  0.05213675      0.6633439      1.0000000 0.6633439  1.000 0.7975413  0.6510595      0.6510595            0.9817840
3     200                10      0.01              4           0.14       0.992  0.05954416      0.6633932      0.8666667 0.6633932  0.992 0.7949393  0.6510595      0.6458647            0.9739918
4     200                10      0.01              4           0.16       0.984  0.07435897      0.6654277      0.7936508 0.6654277  0.984 0.7936383  0.6510595      0.6406699            0.9636022
5     200                10      0.01              4           0.18       0.984  0.14188034      0.6821550      0.8750000 0.6821550  0.984 0.8053941  0.6510595      0.6406699            0.9401230
6     200                10      0.01              4           0.20       0.980  0.17179487      0.6886786      0.8833333 0.6886786  0.980 0.8086204  0.6510595      0.6380725            0.9271018
  Balanced Accuracy  Accuracy      Kappa          J      Dist
1         0.5111111 0.6588517 0.02833828 0.02222222 0.9777778
2         0.5260684 0.6692755 0.06586592 0.05213675 0.9478632
3         0.5257721 0.6666781 0.06435166 0.05154416 0.9406357
4         0.5291795 0.6666781 0.07134190 0.05835897 0.9260250
5         0.5629402 0.6901572 0.15350721 0.12588034 0.8585308
6         0.5758974 0.6979836 0.18460584 0.15179487 0.8288729

根据首选的度量提取阈值概率。

ths %>%
  mutate(prob = probs) %>%
  filter(J == max(J)) %>%
  pull(prob) -> thresh_prob

thresh_prob
0.74

对试验数据的预测

pred <- predict(gbm_pima, newdata = ts, type = "prob")

根据测试集中的响应创建数值响应(0或1)，因为这是来自包ModelMetrics的函数所需要的

real <- as.numeric(factor(ts$diabetes))-1

ModelMetrics::sensitivity(real, pred$pos, cutoff = thresh_prob)
0.2238806 #based on this it is clear the threshold chosen is not optimal on this test data

ModelMetrics::specificity(real, pred$pos, cutoff = thresh_prob)
0.956

ModelMetrics::kappa(real, pred$pos, cutoff = thresh_prob)
0.2144026  #based on this it is clear the threshold chosen is not optimal on this test data

ModelMetrics::mcc(real, pred$pos, cutoff = thresh_prob)
0.2776309  #based on this it is clear the threshold chosen is not optimal on this test data

ModelMetrics::auc(real, pred$pos)
0.8047463  #decent AUC and low mcc and kappa indicate a poor choice of threshold

Auc是一种超越所有阈值的度量，因此它不需要指定截止阈值。

由于只使用了一次训练/测试分割，因此性能评估会有偏差。最好是使用嵌套重采样，这样就可以在几个训练/测试分块上评估相同的情况。Here is a way执行嵌套重采样。

编辑:回答评论中的问题。

要创建roc曲线，您不需要计算所有阈值的灵敏度和特异性，只需使用指定的包来完成此任务。其结果是概率将更值得信赖。

我更喜欢使用pROC包：

library(pROC)

roc.obj <- roc(real, pred$pos)
plot(roc.obj, print.thres = "best")

​

​

对图形的最佳阈值是对测试数据提供最高特异性+敏感性的阈值。显然，该阈值(0.289)比基于交叉验证的预测(0.74)获得的阈值低得多。这就是我说过的原因，如果你调整交叉验证的预测的阈值并使用它作为阈值成功的指标，那么就会有相当大的乐观偏见。

在上面的例子中，如果不对阈值进行调优，那么测试集的性能就会更好。对于皮马印第安人的数据集来说，这通常是正确的，或者这可能是一个不幸的火车/测试分裂的情况。所以最好使用嵌套重采样来验证这类事情。