Versione corta:R accento circonflesso: Massimizzare la sensibilità per la classe positivo definito manualmente per la formazione (classificazione),
C'è un modo per istruire punto di inserimento di formare una regressione modello
- Utilizzo di un utente etichetta definita come "etichetta di classe positiva"?
- Ottimizza il modello per la sensibilità durante l'allenamento (anziché il ROC)?
Versione lunga:
Ho un dataframe
> feature1 <- c(1,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0,1,0,0,0)
> feature2 <- c(1,0,1,1,1,0,1,1,1,0,1,1,1,0,1,1,1,0,1,1)
> feature3 <- c(0,1,1,0,0,1,1,0,0,1,1,0,0,1,1,0,0,1,1,0)
> TARGET <- factor(make.names(c(1,0,1,1,0,0,1,0,1,1,1,0,1,0,0,0,1,0,1,1)))
> df <- data.frame(feature1, feature2, feature3, TARGET)
E modello di formazione è implementato come
> ctrl <- trainControl(
+ method="repeatedcv",
+ repeats = 2)
>
> tuneGrid <- expand.grid(k = c(2,5,7))
>
> tune <- train(
+ TARGET ~ .,
+ metric = '???',
+ maximize = TRUE,
+ data = df,
+ method = "knn",
+ trControl = ctrl,
+ preProcess = c("center","scale"),
+ tuneGrid = tuneGrid
+)
> sclasses <- predict(tune, newdata = df)
> df$PREDICTION <- make.names(factor(sclasses), unique = FALSE, allow_ = TRUE)
voglio massimizzare il sensitivity = precision = A/(A + C)
Dove Event
(nell'immagine) dovrebbe essere nel mio caso X1 = action taken
. Ma il numero di telefono utilizzaX0 = no action taken
.
si imposta la classe di positivo per la mia matrice di confusione utilizzando l'argomento positive
come
> confusionMatrix(df$PREDICTION, df$TARGET, positive = "X1")
Ma esiste un modo per impostare questo tipo di formazione, mentre (massimizzando la sensibilità)?
Ho già controllato se c'è un'altra metrica che soddisfa il mio bisogno, ma non sono riuscito a trovarne uno nello documentation. Devo implementare il mio summaryFunction
per trainControl
?
Grazie!
In classifica, si può usare come un summaryFunction' 'twoClassSummary'' 'all'interno trainControl (..., classProbs = TRUE, summaryFunction = twoClassSummary)'. Quindi usa 'metric' Sens dentro' treno (..., metric = "Sens") '. –