1
我目前正试图建立一个多类预测模型来预测26个英文字母中的字母。目前我使用ANN,SVM,Ensemble和nB构建了一些模型。但我坚持评估这些模型的准确性。尽管混淆矩阵显示了按字母顺序的正确和错误预测,但我只能得到每个模型的总体准确性。有没有一种方法可以评估模型的准确性,类似于二项分类的ROC和AUC值。 注意:我目前使用H2o软件包运行模型,因为它为我节省了更多时间。如何评估R中的多项分类模型?
我目前正试图建立一个多类预测模型来预测26个英文字母中的字母。目前我使用ANN,SVM,Ensemble和nB构建了一些模型。但我坚持评估这些模型的准确性。尽管混淆矩阵显示了按字母顺序的正确和错误预测,但我只能得到每个模型的总体准确性。有没有一种方法可以评估模型的准确性,类似于二项分类的ROC和AUC值。 注意:我目前使用H2o软件包运行模型,因为它为我节省了更多时间。如何评估R中的多项分类模型?
一旦您在H2O中训练模型,如果您只需:print(fit)
它会向您显示该模型类型的所有可用指标。对于多类,我建议h2o.mean_per_class_error()
。虹膜数据集
R代码里面例如:
library(h2o)
h2o.init(nthreads = -1)
data(iris)
fit <- h2o.naiveBayes(x = 1:4,
y = 5,
training_frame = as.h2o(iris),
nfolds = 5)
一旦你的模型,我们可以使用h2o.performance()
功能查看所有的指标来评估模型的性能:
> h2o.performance(fit, xval = TRUE)
H2OMultinomialMetrics: naivebayes
** Reported on cross-validation data. **
** 5-fold cross-validation on training data (Metrics computed for combined holdout predictions) **
Cross-Validation Set Metrics:
=====================
Extract cross-validation frame with `h2o.getFrame("iris")`
MSE: (Extract with `h2o.mse`) 0.03582724
RMSE: (Extract with `h2o.rmse`) 0.1892808
Logloss: (Extract with `h2o.logloss`) 0.1321609
Mean Per-Class Error: 0.04666667
Hit Ratio Table: Extract with `h2o.hit_ratio_table(<model>,xval = TRUE)`
=======================================================================
Top-3 Hit Ratios:
k hit_ratio
1 1 0.953333
2 2 1.000000
3 3 1.000000
或者你可以看看特定的公制,如mean_per_class_error
:
> h2o.mean_per_class_error(fit, xval = TRUE)
[1] 0.04666667
如果要查看测试装置的性能,请执行以下操作:
perf <- h2o.performance(fit, test)
h2o.mean_per_class_error(perf)
谢谢Erin的快速评论。我是否也可以知道,如果我可以纯粹走过mean_per_class_error,或者我还应该留意AIC,让单个模型选择最佳模型。 – adimessi30
我建议使用'mean_per_class_error'来选择最佳模型。 –
再次感谢Erin,让我完成模型和他们的比较,并在这里发表您的评论:) – adimessi30