R語言利用caret包比較ROC曲線

我們之前探討了多種算法，每種算法都有優(yōu)缺點，因而當我們針對具體問題去判斷選擇那種算法時，必須對不同的預測模型進行重做評估。為了簡化這個過程，我們使用caret包來生成并比較不同的模型與性能。
操作
加載對應的包與將訓練控制算法設置為10折交叉驗證，重復次數(shù)為3：
library(ROCR)
library(e1071)
library("pROC")
library(caret)
library("pROC")
control = trainControl(method = "repaetedcv",
                       number = 10,
                       repeats =3,
                       classProbs = TRUE,
                       summaryFunction = twoClassSummary)

使用glm在訓練數(shù)據(jù)集上訓練一個分類器

glm.model = train(churn ~ .,
                  data= trainset,
                  method = "glm",
                  metric = "ROC",
                  trControl = control)
使用svm在訓練數(shù)據(jù)集上訓練一個分類器

svm.model = train(churn ~ .,
                  data= trainset,
                  method = "svmRadial",
                  metric = "ROC",
                  trControl = control)
使用rpart函數(shù)查看rpart在訓練數(shù)據(jù)集上的運行情況

rpart.model = train(churn ~ .,
                    data = trainset,
                    method = "svmRadial",
                    metric = "ROC",
                    trControl = control)
使用不同的已經(jīng)訓練好的數(shù)據(jù)分類預測：

glm.probs = predict(glm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
svm.probs = predict(svm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
rpart.probs = predict(rpart.model,testset[,!names(testset) %in% c("churn")],type = "prob")
生成每個模型的ROC曲線，將它們繪制在一個圖中：

glm.ROC = roc(response = testset[,c("churn")],
              predictor = glm.probs$yes,
              levels = levels(testset[,c("churn")]))
plot(glm.ROC,type = "S",col = "red")

svm.ROC = roc(response = testset[,c("churn")],
              predictor = svm.probs$yes,
              levels = levels(testset[,c("churn")]))
plot(svm.ROC,add = TRUE,col = "green")

rpart.ROC = roc(response = testset[,c("churn")],
              predictor = rpart.probs$yes,
              levels = levels(testset[,c("churn")]))

plot(rpart.ROC,add = TRUE,col = "blue")

三種分類器的ROC曲線

說明

將不同的分類模型的ROC曲線繪制在同一個圖中進行比較，設置訓練過程的控制參數(shù)為重復三次的10折交叉驗證，模型性能的評估參數(shù)為twoClassSummary,然后在使用glm,svm,rpart,三種不同的方法建立分類模型。
從圖中可以看出，svm對訓練集的預測結果（未調優(yōu)）是三種分類算法里最好的。