Как применить функцию в матрицу в итерации для каждого вектора - PullRequest
Новая
       49

Как применить функцию в матрицу в итерации для каждого вектора

0 голосов
/ 12 апреля 2019

У меня есть следующие данные

  • 100 вектор вероятностей (pred_prob)
  • 100 вектор фактических результатов (правда)
  • 20 векторов порогаточка для классификации ifelse (prob_seq)

Хотелось бы применить пороговую точку и сгенерировать матрицу путаницы в кадре данных.Я почти у цели, но мне пришлось жестко закодировать x> 0,5, но хотелось бы, чтобы это применялось вместо векторов из prob_seq) 

pred_prob = runif(100, min=0, max=1)
truth = sample(0:1, 100, replace=T)
prob_seq <- seq(0.5,1,by=0.05)

row_n = length(pred_prob)
col_n = length(prob_seq)

class_table <- as.matrix(replicate(col_n, pred_prob), nrow = row_n,ncol = col_n)
class_table <- apply(class_table, 2, function(x) {factor(ifelse(x > 0.5,"1","0"))})

cm_list <- list()
library('caret')
for (i in 1:col_n)
{
  cm_results <- confusionMatrix(table(class_table[,i], truth),positive = "1")
  cm_list[[i]] <- cm_results$byClass[1:4]
  names(cm_list)[i] <- prob_seq[i]
}
cm_list
data.frame(cm_list)

Хотелось бы видеть разные результаты по пороговым столбцам.В приведенном ниже примере используется статический х> 0,5.Нужна помощь в применении каждого x к вектору prob_seq 

                    X0.5     X0.55      X0.6     X0.65      X0.7     X0.75      X0.8     X0.85      X0.9     X0.95        X1
Sensitivity    0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286 0.4464286
Specificity    0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545 0.5454545
Pos Pred Value 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556 0.5555556
Neg Pred Value 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636 0.4363636

Спасибо!

1 Ответ

0 голосов
/ 12 апреля 2019

Возился, и этот код помог мне.

Благодарим вас за отзыв, и если это можно сделать проще, поделитесь своими мыслями. 

pred_prob = runif(100, min=0, max=1)
truth = sample(0:1, 100, replace=T)
prob_seq <- seq(0.5,0.95,by=0.05)

row_n = length(pred_prob)
col_n = length(prob_seq)

fac_func <- function(x,y) {factor(ifelse(x > y,"1","0"))}

class_table <- as.matrix(replicate(col_n, pred_prob), nrow = row_n,ncol = col_n)
class_table <- sapply(seq_len(ncol(class_table)), function(i) fac_func(class_table[,i], y = prob_seq[i]))

cm_list <- list()
cm_abs <- list()
library('caret')
for (i in 1:col_n)
{
  cm_results <- confusionMatrix(table(class_table[,i], truth),positive = "1")
  cm_abs[[i]] <- cm_results$table[2,1]
  cm_list[[i]] <- cm_results$byClass[1:4]
  names(cm_list)[i] <- prob_seq[i]
  names(cm_abs)[i] <- prob_seq[i]
}
cm_list <- as.data.frame(cm_list)
cm_abs <- as.data.frame(cm_abs) 
row.names(cm_abs) <- 'false_negative'
rbind(cm_list,cm_abs)

и результат 

                     X0.5      X0.55       X0.6      X0.65       X0.7      X0.75      X0.8     X0.85      X0.9     X0.95
Sensitivity     0.5370370  0.5185185  0.4814815  0.4444444  0.3888889  0.3888889 0.3703704 0.2592593 0.2037037 0.1111111
Specificity     0.4347826  0.4565217  0.5434783  0.6521739  0.6956522  0.7826087 0.8260870 0.8478261 0.8913043 0.9347826
Pos Pred Value  0.5272727  0.5283019  0.5531915  0.6000000  0.6000000  0.6774194 0.7142857 0.6666667 0.6875000 0.6666667
Neg Pred Value  0.4444444  0.4468085  0.4716981  0.5000000  0.4923077  0.5217391 0.5277778 0.4936709 0.4880952 0.4725275
false_negative 26.0000000 25.0000000 21.0000000 16.0000000 14.0000000 10.0000000 8.0000000 7.0000000 5.0000000 3.0000000
...