R语言机器学习与临床预测模型21--预测模型的评价指标

本内容为【科研私家菜】R语言机器学习与临床预测模型系列课程

R小盐准备介绍R语言机器学习与预测模型的学习笔记

你想要的R语言学习资料都在这里， 快来收藏关注【科研私家菜】

---

00 混淆矩阵

混淆矩阵包含四部分的信息：
True negative(TN)，称为真阴率，表明实际是负样本预测成负样本的样本数
False positive(FP)，称为假阳率，表明实际是负样本预测成正样本的样本数
False negative(FN)，称为假阴率，表明实际是正样本预测成负样本的样本数
True positive(TP)，称为真阳率，表明实际是正样本预测成正样本的样本数

01 准确度

准确度是一个指标，它给出了我们的模型正确预测的分数。
准确度=正确预测数/预测总数。

---

02 召回率（敏感度或真正例率）

召回率给出你正确识别为阳性的分数。召回率表示的是样本中的阳性有多少被预测正确了。那也有两种可能，一种是把原来的阳性预测成正类(TP)，另一种就是把原来的阳性预测为负类(FN)。

03 精确度

精确度指所有预测为阳性结果中正确识别为阳性的分数。

04 F1分数

F1分数为模型精度和召回率的调和平均值

04 F1分数

ROC是另一种常用的评估工具。它给出了模型在0到1之间每一个可能的决策点的敏感性和特异性。对于具有概率输出的分类问题，阈值可以将概率输出转换为分类。
对于每个可能的阈值，ROC曲线绘制假正例率与真正例率。
假正例率：被错误分类为正例的反例实例的比例。
真正例率：正确预测为正例的正例实例的比例。

ROC曲线一定程度上可以反映分类器的分类效果，但是不够直观，我们希望有这么一个指标，如果这个指标越大越好，越小越差，于是，就有了AUC(Area under the ROC curve)，就是ROC曲线下的面积。AUC直观地反映了ROC曲线的分类能力。

ROC

AUC ＝ 1，代表完美分类器
0.5 < AUC < 1，优于随机分类器
0 < AUC < 0.5，差于随机分类器

---

关注R小盐，关注科研私家菜(VX_GZH: SciPrivate)，有问题请联系R小盐。让我们一起来学习 R语言机器学习与临床预测模型