R語(yǔ)言邏輯回歸、ROC曲線和十折交叉驗(yàn)證

自己整理編寫(xiě)的邏輯回歸模板，作為學(xué)習(xí)筆記記錄分享。數(shù)據(jù)集用的是14個(gè)自變量Xi，一個(gè)因變量Y的australian數(shù)據(jù)集。

1. 測(cè)試集和訓(xùn)練集3、7分組

[html] view plain copy

    australian <- read.csv("australian.csv",as.is = T,sep=",",header=TRUE)  
    #讀取行數(shù)  
    N = length(australian$Y)                                                                                                                          
    #ind=1的是0.7概率出現(xiàn)的行，ind=2是0.3概率出現(xiàn)的行  
    ind=sample(2,N,replace=TRUE,prob=c(0.7,0.3))  
    #生成訓(xùn)練集(這里訓(xùn)練集和測(cè)試集隨機(jī)設(shè)置為原數(shù)據(jù)集的70%，30%)  
    aus_train <- australian[ind==1,]  
    #生成測(cè)試集  
    aus_test <- australian[ind==2,]  

2.生成模型，結(jié)果導(dǎo)出

[html] view plain copy

    #生成logis模型，用glm函數(shù)  
    #用訓(xùn)練集數(shù)據(jù)生成logis模型，用glm函數(shù)  
    #family：每一種響應(yīng)分布（指數(shù)分布族）允許各種關(guān)聯(lián)函數(shù)將均值和線性預(yù)測(cè)器關(guān)聯(lián)起來(lái)。常用的family：binomal(link='logit')--響應(yīng)變量服從二項(xiàng)分布，連接函數(shù)為logit，即logistic回歸  
    pre <- glm(Y ~.,family=binomial(link = "logit"),data = aus_train)  
    summary(pre)  
      
    #測(cè)試集的真實(shí)值  
    real <- aus_test$Y  
    #predict函數(shù)可以獲得模型的預(yù)測(cè)值。這里預(yù)測(cè)所需的模型對(duì)象為pre，預(yù)測(cè)對(duì)象newdata為測(cè)試集,預(yù)測(cè)所需類(lèi)型type選擇response,對(duì)響應(yīng)變量的區(qū)間進(jìn)行調(diào)整  
    predict. <- predict.glm(pre,type='response',newdata=aus_test)  
    #按照預(yù)測(cè)值為1的概率，>0.5的返回1，其余返回0  
    predict =ifelse(predict.>0.5,1,0)  
    #數(shù)據(jù)中加入預(yù)測(cè)值一列  
    aus_test$predict = predict  
    #導(dǎo)出結(jié)果為csv格式  
    #write.csv(aus_test,"aus_test.csv")  

3.模型檢驗(yàn)

[html] view plain copy

    ##模型檢驗(yàn)  
    res <- data.frame(real,predict)  
    #訓(xùn)練數(shù)據(jù)的行數(shù)，也就是樣本數(shù)量  
    n = nrow(aus_train)        
    #計(jì)算Cox-Snell擬合優(yōu)度  
    R2 <- 1-exp((pre$deviance-pre$null.deviance)/n)      
    cat("Cox-Snell R2=",R2,"\n")  
    #計(jì)算Nagelkerke擬合優(yōu)度，我們?cè)谧詈筝敵鲞@個(gè)擬合優(yōu)度值  
    R2<-R2/(1-exp((-pre$null.deviance)/n))    
    cat("Nagelkerke R2=",R2,"\n")  
    ##模型的其他指標(biāo)  
    #residuals(pre)     #殘差  
    #coefficients(pre)  #系數(shù)，線性模型的截距項(xiàng)和每個(gè)自變量的斜率，由此得出線性方程表達(dá)式?；蛘邔?xiě)為coef(pre)  
    #anova(pre)         #方差  

4.準(zhǔn)確率和精度

[html] view plain copy

    true_value=aus_test[,15]  
    predict_value=aus_test[,16]  
    #計(jì)算模型精確度  
    error = predict_value-true_value  
    accuracy = (nrow(aus_test)-sum(abs(error)))/nrow(aus_test) #精確度--判斷正確的數(shù)量占總數(shù)的比例  
    #計(jì)算Precision，Recall和F-measure  
    #一般來(lái)說(shuō)，Precision就是檢索出來(lái)的條目（比如：文檔、網(wǎng)頁(yè)等）有多少是準(zhǔn)確的，Recall就是所有準(zhǔn)確的條目有多少被檢索出來(lái)了  
    #和混淆矩陣結(jié)合，Precision計(jì)算的是所有被檢索到的item（TP+FP）中,"應(yīng)該被檢索到的item（TP）”占的比例；Recall計(jì)算的是所有檢索到的item（TP）占所有"應(yīng)該被檢索到的item（TP+FN）"的比例。  
    precision=sum(true_value & predict_value)/sum(predict_value)  #真實(shí)值預(yù)測(cè)值全為1 / 預(yù)測(cè)值全為1 --- 提取出的正確信息條數(shù)/提取出的信息條數(shù)  
    recall=sum(predict_value & true_value)/sum(true_value)  #真實(shí)值預(yù)測(cè)值全為1 / 真實(shí)值全為1 --- 提取出的正確信息條數(shù) /樣本中的信息條數(shù)  
    #P和R指標(biāo)有時(shí)候會(huì)出現(xiàn)的矛盾的情況，這樣就需要綜合考慮他們，最常見(jiàn)的方法就是F-Measure（又稱(chēng)為F-Score）  
    F_measure=2*precision*recall/(precision+recall)    #F-Measure是Precision和Recall加權(quán)調(diào)和平均，是一個(gè)綜合評(píng)價(jià)指標(biāo)  
    #輸出以上各結(jié)果  
    print(accuracy)  
    print(precision)  
    print(recall)  
    print(F_measure)  
    #混淆矩陣，顯示結(jié)果依次為T(mén)P、FN、FP、TN  
    table(true_value,predict_value)           

5.ROC曲線的幾個(gè)方法

[html] view plain copy

    #ROC曲線  
    # 方法1  
    #install.packages("ROCR")    
    library(ROCR)       
    pred <- prediction(predict.,true_value)   #預(yù)測(cè)值(0.5二分類(lèi)之前的預(yù)測(cè)值)和真實(shí)值     
    performance(pred,'auc')@y.values        #AUC值  
    perf <- performance(pred,'tpr','fpr')  
    plot(perf)  
    #方法2  
    #install.packages("pROC")  
    library(pROC)  
    modelroc <- roc(true_value,predict.)  
    plot(modelroc, print.auc=TRUE, auc.polygon=TRUE,legacy.axes=TRUE, grid=c(0.1, 0.2),  
         grid.col=c("green", "red"), max.auc.polygon=TRUE,  
         auc.polygon.col="skyblue", print.thres=TRUE)        #畫(huà)出ROC曲線，標(biāo)出坐標(biāo)，并標(biāo)出AUC的值  
    #方法3，按ROC定義  
    TPR=rep(0,1000)  
    FPR=rep(0,1000)  
    p=predict.  
    for(i in 1:1000)  
      {   
      p0=i/1000;  
      ypred<-1*(p>p0)    
      TPR[i]=sum(ypred*true_value)/sum(true_value)    
      FPR[i]=sum(ypred*(1-true_value))/sum(1-true_value)  
      }  
    plot(FPR,TPR,type="l",col=2)  
    points(c(0,1),c(0,1),type="l",lty=2)  

6.更換測(cè)試集和訓(xùn)練集的選取方式，采用十折交叉驗(yàn)證

[html] view plain copy

    australian <- read.csv("australian.csv",as.is = T,sep=",",header=TRUE)  
    #將australian數(shù)據(jù)分成隨機(jī)十等分  
    #install.packages("caret")  
    #固定folds函數(shù)的分組  
    set.seed(7)  
    require(caret)  
    folds <- createFolds(y=australian$Y,k=10)  
      
    #構(gòu)建for循環(huán)，得10次交叉驗(yàn)證的測(cè)試集精確度、訓(xùn)練集精確度  
      
    max=0  
    num=0  
      
    for(i in 1:10){  
        
      fold_test <- australian[folds[[i]],]   #取folds[[i]]作為測(cè)試集  
      fold_train <- australian[-folds[[i]],]   # 剩下的數(shù)據(jù)作為訓(xùn)練集  
        
      print("***組號(hào)***")  
        
      fold_pre <- glm(Y ~.,family=binomial(link='logit'),data=fold_train)  
      fold_predict <- predict(fold_pre,type='response',newdata=fold_test)  
      fold_predict =ifelse(fold_predict>0.5,1,0)  
      fold_test$predict = fold_predict  
      fold_error = fold_test[,16]-fold_test[,15]  
      fold_accuracy = (nrow(fold_test)-sum(abs(fold_error)))/nrow(fold_test)   
      print(i)  
      print("***測(cè)試集精確度***")  
      print(fold_accuracy)  
      print("***訓(xùn)練集精確度***")  
      fold_predict2 <- predict(fold_pre,type='response',newdata=fold_train)  
      fold_predict2 =ifelse(fold_predict2>0.5,1,0)  
      fold_train$predict = fold_predict2  
      fold_error2 = fold_train[,16]-fold_train[,15]  
      fold_accuracy2 = (nrow(fold_train)-sum(abs(fold_error2)))/nrow(fold_train)   
      print(fold_accuracy2)  
        
        
      if(fold_accuracy>max)  
        {  
        max=fold_accuracy    
        num=i  
        }  
        
    }  
      
    print(max)  
    print(num)  
      
    ##結(jié)果可以看到，精確度accuracy最大的一次為max,取folds[[num]]作為測(cè)試集，其余作為訓(xùn)練集。  

7.得到十折交叉驗(yàn)證的精確度，結(jié)果導(dǎo)出

[html] view plain copy

    #十折里測(cè)試集最大精確度的結(jié)果  
    testi <- australian[folds[[num]],]  
    traini <- australian[-folds[[num]],]   # 剩下的folds作為訓(xùn)練集  
    prei <- glm(Y ~.,family=binomial(link='logit'),data=traini)  
    predicti <- predict.glm(prei,type='response',newdata=testi)  
    predicti =ifelse(predicti>0.5,1,0)  
    testi$predict = predicti  
    #write.csv(testi,"ausfold_test.csv")  
    errori = testi[,16]-testi[,15]  
    accuracyi = (nrow(testi)-sum(abs(errori)))/nrow(testi)   
      
    #十折里訓(xùn)練集的精確度  
    predicti2 <- predict.glm(prei,type='response',newdata=traini)  
    predicti2 =ifelse(predicti2>0.5,1,0)  
    traini$predict = predicti2  
    errori2 = traini[,16]-traini[,15]  
    accuracyi2 = (nrow(traini)-sum(abs(errori2)))/nrow(traini)   
      
    #測(cè)試集精確度、取第i組、訓(xùn)練集精確  
    accuracyi;num;accuracyi2  
    #write.csv(traini,"ausfold_train.csv")