Легкий способ подсчета точности, отзыва и F1-балла в R

Ответ 1

Библиотека ROCR вычисляет все эти и более (см. также http://rocr.bioinf.mpi-sb.mpg.de):

library (ROCR);
...

y <- ... # logical array of positive / negative cases
predictions <- ... # array of predictions

pred <- prediction(predictions, y);

# Recall-Precision curve             
RP.perf <- performance(pred, "prec", "rec");

plot (RP.perf);

# ROC curve
ROC.perf <- performance(pred, "tpr", "fpr");
plot (ROC.perf);

# ROC area under the curve
auc.tmp <- performance(pred,"auc");
auc <- as.numeric([email protected])

...

Ответ 2

используя пакет caret :

library(caret)

y <- ... # factor of positive / negative cases
predictions <- ... # factor of predictions

precision <- posPredValue(predictions, y, positive="1")
recall <- sensitivity(predictions, y, positive="1")

F1 <- (2 * precision * recall) / (precision + recall)

Общей функцией, которая работает для двоичной и многоклассовой классификации без использования какого-либо пакета, является:

f1_score <- function(predicted, expected, positive.class="1") {
    predicted <- factor(as.character(predicted), levels=unique(as.character(expected)))
    expected  <- as.factor(expected)
    cm = as.matrix(table(expected, predicted))

    precision <- diag(cm) / colSums(cm)
    recall <- diag(cm) / rowSums(cm)
    f1 <-  ifelse(precision + recall == 0, 0, 2 * precision * recall / (precision + recall))

    #Assuming that F1 is zero when it not possible compute it
    f1[is.na(f1)] <- 0

    #Binary F1 or Multi-class macro-averaged F1
    ifelse(nlevels(expected) == 2, f1[positive.class], mean(f1))
}

Некоторые комментарии о функции:

• Предполагается, что F1 = NA равно нулю
• positive.class используется только в двоичный f1
• для задач с несколькими классами вычисляется усредненное по макросу F1
• Если predicted и expected имели разные уровни, predicted получит уровни expected

Ответ 3

Я заметил комментарий о том, что оценка F1 необходима для двоичных классов. Я подозреваю, что это обычно так. Но некоторое время назад я написал это, в котором я делал классификацию в несколько групп, обозначенных номером. Это может пригодиться вам...

calcF1Scores=function(act,prd){
  #treats the vectors like classes
  #act and prd must be whole numbers
  df=data.frame(act=act,prd=prd);
  scores=list();
  for(i in seq(min(act),max(act))){
    tp=nrow(df[df$prd==i & df$act==i,]);        
    fp=nrow(df[df$prd==i & df$act!=i,]);
    fn=nrow(df[df$prd!=i & df$act==i,]);
    f1=(2*tp)/(2*tp+fp+fn)
    scores[[i]]=f1;
  }      
  print(scores)
  return(scores);
}

print(mean(unlist(calcF1Scores(c(1,1,3,4,5),c(1,2,3,4,5)))))
print(mean(unlist(calcF1Scores(c(1,2,3,4,5),c(1,2,3,4,5)))))

Ответ 4

confusionMatrix() из пакета caret можно использовать вместе с соответствующим необязательным полем "Позитивный", определяющим, какой фактор следует принимать как положительный фактор.

confusionMatrix(predicted, Funded, mode = "prec_recall", positive="1")

Этот код также даст дополнительные значения, такие как F-статистика, точность и т.д.

Ответ 5

Мы можем просто получить значение F1 из функции weight confusionMatrix

result <- confusionMatrix(Prediction, Lable)

# View confusion matrix overall
result 

# F1 value
result$byClass[7] 

Ответ 6

Вы также можете использовать confusionMatrix(), предоставляемый пакетом caret. Выход включает в себя, между другими, Чувствительность (также известную как отзыв) и Pos Pred Value (также известную как точность). Тогда F1 можно легко вычислить, как указано выше, как: F1 <- (2 * precision * recall) / (precision + recall)

Ответ 7

Просто чтобы обновить это, когда я наткнулся на эту тему, функция confusionMatrix в caret автоматически вычисляет все эти вещи для вас.

cm <- confusionMatrix(prediction, reference = test_set$label)

# extract F1 score for all classes
cm[["byClass"]][ , "F1"] #for multiclass classification problems

Вы можете подставить "F1" выше для любого из следующих действий, чтобы также извлечь соответствующие значения:

"Sensitivity", "Specificity", "Pos Pred Value", "Neg Pred Value", "Precision", "Recall", "F1", "Prevalence", "Detection", "Rate", "Detection Prevalence", "Balanced Accuracy"

Я думаю, что это ведет себя немного по-другому, когда вы делаете только двоичную задачу классификации, но в обоих случаях все эти значения вычисляются для вас, когда вы смотрите внутрь объекта confusionMatrix, в $byClass