我正在使用R编程语言。我正在尝试学习如何为多类变量制作“混淆矩阵”(例如,如何为多类变量构造混淆矩阵)。
假设我生成一些数据并拟合决策树模型:
#load libraries
library(rpart)
library(caret)
#generate data
a <- rnorm(1000, 10, 10)
b <- rnorm(1000, 10, 5)
d <- rnorm(1000, 5, 10)
group_1 <- sample( LETTERS[1:3], 1000, replace=TRUE, prob=c(0.33,0.33,0.34) )
e = data.frame(a,b,d, group_1)
e$group_1 = as.factor(d$group_1)
#split data into train and test set
trainIndex <- createDataPartition(e$group_1, p = .8,
list = FALSE,
times = 1)
training <- e[trainIndex,]
test <- e[-trainIndex,]
fitControl <- trainControl(## 10-fold CV
method = "repeatedcv",
number = 5,
## repeated ten times
repeats = 1)
#fit decision tree model
TreeFit <- train(group_1 ~ ., data = training,
method = "rpart2",
trControl = fitControl)
从这里,我可以将结果存储到“混淆矩阵”中:
pred <- predict(TreeFit,test)
table_example <- table(pred,test$group_1)
这满足了我的要求-但是此“表”要求我手动计算“ A”,“ B”和“ C”的不同精度指标(以及总精度)。
我的问题:是否可以使用caret::confusionMatrix()
命令解决此问题?
例如
pred <- predict(TreeFit, test, type = "prob")
labels_example <- as.factor(ifelse(pred[,2]>0.5, "1", "0"))
con <- confusionMatrix(labels_example, test$group_1)
这样,我将能够直接从混淆矩阵中访问准确性度量。例如metric = con$overall[1]
谢谢
这是您要找的东西吗?
pred <- predict(
TreeFit,
test)
con <- confusionMatrix(
test$group_1,
pred)
con
con$overall[1]
与以下输出相同:
table(test$group_1, pred)
加上准确性指标。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句