为什么一些准确性指标没有显示在插入符号中( F1、召回和精度)

Question

下午好，

假设我们有以下内容：

pred=c(2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1)

obs=structure(c(2L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 1L), .Label = c("no-recurrence-events", 
"recurrence-events"), class = "factor")

和以下函数：

library(plyr)
library(caret)

metrics<-function(observed1,predicted1){
  
  #predicted1=mapvalues(predicted1, from = unique(predicted1), to = unique(observed1))
  observed1=mapvalues(observed1, from = unique(observed1), to = unique(predicted1) )
  #xtab=table(observed1, predicted1)
  xtab=table(predicted1,observed1)
  #result<- confusionMatrix(as.factor(predicted1), as.factor(observed1))
  result<- confusionMatrix(as.factor(predicted1),as.factor(observed1))
  print(recall(as.factor(predicted1), as.factor(observed1)))  # i can print recall 0.9285714
  return(list(xtab,result))
  
  
}

运行后，F1、召回率和精确度等指标没有显示出来：

metrics(obs,pred)

[[1]]
          observed1
predicted1  1  2
         1 13  4
         2  1  2

[[2]]
Confusion Matrix and Statistics

          Reference
Prediction  1  2
         1 13  4
         2  1  2
                                         
               Accuracy : 0.75           
                 95% CI : (0.509, 0.9134)
    No Information Rate : 0.7            
    P-Value [Acc > NIR] : 0.4164         
                                         
                  Kappa : 0.3056         
                                         
 Mcnemar's Test P-Value : 0.3711         
                                         
            Sensitivity : 0.9286         
            Specificity : 0.3333         
         Pos Pred Value : 0.7647         
         Neg Pred Value : 0.6667         
             Prevalence : 0.7000         
         Detection Rate : 0.6500         
   Detection Prevalence : 0.8500         
      Balanced Accuracy : 0.6310         
                                         
       'Positive' Class : 1   

pb是一些准确性指标没有显示出来，这看起来很奇怪: F1，召回，精度！

我注意到了另一个问题，例如，如果我们颠倒顺序：

metrics(pred,obs)

Error in confusionMatrix.default(as.factor(predicted1), as.factor(observed1)) : 
  The data must contain some levels that overlap the reference.
Calls: metrics -> confusionMatrix -> confusionMatrix.default
Execution halted

我希望我的问题是清楚的。

感谢您的帮助！

Answer 1

我找到了一个解决方案。confusionMatrix()有一个名为mode='everything'的选项，可以输出所有已实现的度量：

pred=c(2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1)

obs=structure(c(2L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 1L), .Label = c("no-recurrence-events", 
"recurrence-events"), class = "factor")

library(plyr)
library(caret)

metrics<-function(observed1,predicted1){
  
  #predicted1=mapvalues(predicted1, from = unique(predicted1), to = unique(observed1))
  observed1=mapvalues(observed1, from = unique(observed1), to = unique(predicted1) )
  #xtab=table(observed1, predicted1)
  xtab=table(predicted1,observed1)
  #result<- confusionMatrix(as.factor(predicted1), as.factor(observed1))
  result<- confusionMatrix(as.factor(predicted1),as.factor(observed1),mode='everything')
  return(list(xtab,result))
  
  
}

metrics(obs,pred)

这给出了预期的输出：

Loading required package: lattice
Loading required package: ggplot2
[[1]]
          observed1
predicted1  1  2
         1 13  4
         2  1  2

[[2]]
Confusion Matrix and Statistics

          Reference
Prediction  1  2
         1 13  4
         2  1  2
                                         
               Accuracy : 0.75           
                 95% CI : (0.509, 0.9134)
    No Information Rate : 0.7            
    P-Value [Acc > NIR] : 0.4164         
                                         
                  Kappa : 0.3056         
                                         
 Mcnemar's Test P-Value : 0.3711         
                                         
            Sensitivity : 0.9286         
            Specificity : 0.3333         
         Pos Pred Value : 0.7647         
         Neg Pred Value : 0.6667         
              Precision : 0.7647         
                 Recall : 0.9286         
                     F1 : 0.8387         
             Prevalence : 0.7000         
         Detection Rate : 0.6500         
   Detection Prevalence : 0.8500         
      Balanced Accuracy : 0.6310         
                                         
       'Positive' Class : 1