进行决策树模型后，我尝试计算混淆矩阵
# tree model
tree <- rpart(LoanStatus_B ~.,data=train, method='class')
# confusion matrix
pdata <- predict(tree, newdata = test, type = "class")
confusionMatrix(data = pdata, reference = test$LoanStatus_B, positive = "1")
我如何为我的混淆矩阵设置阈值，比如说我希望将概率默认值设置为0.2以上，这是二进制结果。
这里要注意几件事。首先，请确保在进行预测时获得课堂上的概率。使用预测类型，="class"您将获得离散类，因此您想要的将是不可能的。因此，您需要在"p"下面使其像我的一样。
library(rpart)
data(iris)
iris$Y <- ifelse(iris$Species=="setosa",1,0)
# tree model
tree <- rpart(Y ~Sepal.Width,data=iris, method='class')
# predictions
pdata <- as.data.frame(predict(tree, newdata = iris, type = "p"))
head(pdata)
# confusion matrix
table(iris$Y, pdata$`1` > .5)
接下来请注意，.5只是一个任意值-您可以将其更改为所需的任何值。
我看不出使用该confusionMatrix函数的理由，因为可以简单地以这种方式创建混淆矩阵，并使您实现轻松更改截止值的目标。
话虽如此，如果您确实想将confusionMatrix函数用于混淆矩阵，则只需根据您的自定义截止时间首先创建一个离散类预测，如下所示：
pdata$my_custom_predicted_class <- ifelse(pdata$`1` > .5, 1, 0)
同样，.5是您自定义选择的截止值，并且可以是您想要的任何值。
caret::confusionMatrix(data = pdata$my_custom_predicted_class,
reference = iris$Y, positive = "1")
Confusion Matrix and Statistics Reference Prediction 0 1 0 94 19 1 6 31 Accuracy : 0.8333 95% CI : (0.7639, 0.8891) No Information Rate : 0.6667 P-Value [Acc > NIR] : 3.661e-06 Kappa : 0.5989 Mcnemar's Test P-Value : 0.0164 Sensitivity : 0.6200 Specificity : 0.9400 Pos Pred Value : 0.8378 Neg Pred Value : 0.8319 Prevalence : 0.3333 Detection Rate : 0.2067 Detection Prevalence : 0.2467 Balanced Accuracy : 0.7800 'Positive' Class : 1
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句