• 主页
  • 课程

    关于课程

    • 课程归档
    • 成为一名讲师
    • 讲师信息
    同等学历教学

    同等学历教学

    免费
    阅读更多
  • 特色
    • 展示
    • 关于我们
    • 问答
  • 事件
  • 个性化
  • 博客
  • 联系
  • 站点资源
    有任何问题吗?
    (00) 123 456 789
    weinfoadmin@weinformatics.cn
    注册登录
    恒诺新知
    • 主页
    • 课程

      关于课程

      • 课程归档
      • 成为一名讲师
      • 讲师信息
      同等学历教学

      同等学历教学

      免费
      阅读更多
    • 特色
      • 展示
      • 关于我们
      • 问答
    • 事件
    • 个性化
    • 博客
    • 联系
    • 站点资源

      R语言

      • 首页
      • 博客
      • R语言
      • 画ROC曲线的一些R包

      画ROC曲线的一些R包

      • 发布者 weinfoadmin
      • 分类 R语言
      • 日期 2019年3月14日
      测试开头

      画ROC曲线的一些R包


      笔者邀请您,先思考:

      1 ROC曲线有什么作用?ROC曲线如何绘制?

      2 AUC怎么计算?KS值有什么作用?

      在最近的一篇文章中,我介绍了ROC曲线背后的一些理论,并概述了它们在表征机器学习模型性能方面的发展历史。 在这篇文章中,我将描述如何在CRAN中搜索绘制ROC曲线的包,并强调六个有用的包。

      虽然一开始我有一些想谈论的包的想法,像ROCR和pROC,我发现它们在过去是有用的,但我决定使用Gabor Csardi相对较新的包pkgsearch来搜索CRAN,看看那里有什么。package_search()函数的作用是:将文本字符串作为输入,并使用基本的文本挖掘技术搜索所有CRAN。该算法搜索包文本字段,并为它找到的每个包生成一个分数,该分数由反向依赖项和下载的数量加权。

      1library(tidyverse)  # for data manipulation
      2library(dlstats)    # for package download stats
      3library(pkgsearch)  # for searching packages

      经过一些尝试和错误之后,我决定使用以下查询,其中包括一些有趣的与roc相关的包。

      1rocPkg <-  pkg_search(query="ROC",size=200)
      2

      然后,通过过滤掉孤立包和得分不超过190的包,我将rocPkg缩小到46个包。

      1rocPkgShort <- rocPkg %>% 
      2               filter(maintainer_name != "ORPHANED", score > 190) %>%
      3               select(score, package, downloads_last_month) %>%
      4               arrange(desc(downloads_last_month))
      5head(rocPkgShort)

      为了完成选择过程,我做了大量的工作,浏览了软件包的文档,从中挑选出我认为对大多数数据科学家通常有用的东西。下面的图使用Guangchuang Yu的dlstats包查看我选择配置的六个包的下载历史。

      1library(dlstats)
      2shortList <- c("pROC","precrec","ROCit", "PRROC","ROCR","plotROC")
      3downloads <- cran_stats(shortList)
      4ggplot(downloads, aes(end, downloads, group=package, color=package)) +
      5  geom_line() + geom_point(aes(shape=package)) +
      6  scale_y_continuous(trans = 'log2')

      ROCR – 2005

      ROCR已经存在了近14年,是绘制ROC曲线的一个坚如磐石的工具。我特别喜欢performance()函数通过输入真阳性率tpr和假阳性率fpr和参数来设置曲线的计算方法。这不仅具有令人放心的透明性,还显示了通过输入适当的参数来计算二进制分类器的几乎所有性能度量的灵活性。例如,要生成precision-recall曲线,您需要输入prec和rec。虽然没有vignette,但包的文档非常好。

      下面的代码使用包附带的合成数据集并绘制默认的ROCR ROC曲线。在本文中,我将使用相同的数据集。

       1library(ROCR)
      2## Loading required package: gplots
      3## 
      4## Attaching package: 'gplots'
      5## The following object is masked from 'package:stats':
      6## 
      7##     lowess
      8# plot a ROC curve for a single prediction run
      9# and color the curve according to cutoff.
      10data(ROCR.simple)
      11df <- data.frame(ROCR.simple)
      12pred <- prediction(df$predictions, df$labels)
      13perf <- performance(pred,"tpr","fpr")
      14plot(perf,colorize=TRUE)
      画ROC曲线的一些R包

      pROC – 2010

      从下载曲线可以明显看出,pROC也很受数据科学家的欢迎。我喜欢它是因为很容易得到AUC的置信区间。

       1library(pROC)
      2## Type 'citation("pROC")' for a citation.
      3## 
      4## Attaching package: 'pROC'
      5## The following objects are masked from 'package:stats':
      6## 
      7##     cov, smooth, var
      8pROC_obj <- roc(df$labels,df$predictions,
      9            smoothed = TRUE,
      10            # arguments for ci
      11            ci=TRUE, ci.alpha=0.9, stratified=FALSE,
      12            # arguments for plot
      13            plot=TRUE, auc.polygon=TRUE, max.auc.polygon=TRUE, grid=TRUE,
      14            print.auc=TRUE, show.thres=TRUE)
      15
      16
      17sens.ci <- ci.se(pROC_obj)
      18plot(sens.ci, type="shape", col="lightblue")
      19## Warning in plot.ci.se(sens.ci, type = "shape", col = "lightblue"): Low
      20## definition shape.
      21plot(sens.ci, type="bars")
      画ROC曲线的一些R包

      PRROC – 2014

      虽然不像ROCR和pROC那么受欢迎,但PRROC最近似乎又卷土重来了。输入的术语有点折衷,但是一旦您理解了ROC.curve()函数,就可以轻松地绘制出一条干净的ROC曲线。正如vignette所指示,PRROC的创建实际上是为了做precision-recall曲线。

      1library(PRROC)
      2
      3PRROC_obj <- roc.curve(scores.class0 = df$predictions, weights.class0=df$labels,
      4                       curve=TRUE)
      5plot(PRROC_obj)
      画ROC曲线的一些R包

      plotROC – 2014

      plotROC是使用ggplot()绘制ROC曲线的理想选择。我的猜测是,它似乎只受到有限的欢迎,因为文档使用了医学术语,如“疾病状态”和“标记”。尽管如此,文档(包括a vignette and a Shiny application)非常好。

      该包提供了许多功能丰富的ggplot()几何,可以生成复杂的图形。下面的图包含一些样式,包括Clopper和Pearson(1934)精确的方法置信区间。

      1library(plotROC)
      2rocplot <- ggplot(df, aes(m = predictions, d = labels))+ geom_roc(n.cuts=20,labels=FALSE)
      3rocplot + style_roc(theme = theme_grey) + geom_rocci(fill="pink") 
      4

      画ROC曲线的一些R包

      precrec – 2015

      precrec是另一个绘制ROC和precision-recall曲线的库。

      1library(precrec)
      2## 
      3## Attaching package: 'precrec'
      4## The following object is masked from 'package:pROC':
      5## 
      6##     auc
      7precrec_obj <- evalmod(scores = df$predictions, labels = df$labels)
      8autoplot(precrec_obj)
      画ROC曲线的一些R包

      evalmod()函数的参数选项使生成各种模型特性的基本图变得很容易。

      1precrec_obj2 <- evalmod(scores = df$predictions, labels = df$labels, mode="basic")
      2autoplot(precrec_obj2)   
      画ROC曲线的一些R包

      ROCit – 2019

      ROCit是一种用于绘制ROC曲线和其他二元分类可视化的新工具,它在1月份迅速蹿红,并继续流行。如果我通过下载自动过滤原始搜索,就永远不会发现它。默认的图包括Yourden’s J Statistic数据的位置。

      1library(ROCit)
      2## Warning: package 'ROCit' was built under R version 3.5.2
      3ROCit_obj <- rocit(score=df$predictions,class=df$labels)
      4plot(ROCit_obj)
      画ROC曲线的一些R包

      其他一些可视化是可能的。下图显示了正面和负面反应的累积密度。KS统计量显示了两条曲线之间的最大距离。

      1ksplot(ROCit_obj)
      画ROC曲线的一些R包

      在本文中,我试图深入研究CRAN并揭示R所包含的用于绘制ROC曲线和其他二进制分类器可视化的一些资源,但我只触及了皮毛。此外,我故意忽略了许多用于特殊应用程序的包,例如从审查生存数据计算时间相关的ROC曲线的survivalROC,以及包含评估交叉验证的AUC措施的功能的cvAUC。不过,我希望这个小练习能帮助您找到您要找的东西。

      作者: Joseph Rickert
      原文链接:
      https://rviews.rstudio.com/2019/03/01/some-r-packages-for-roc-curves/

      公众号推荐:数据人才(ID:datarencai)

      (一个帮助数据人才找工作的公众号,

      也分享数据人才学习和生活的有趣事情。)

      画ROC曲线的一些R包


      内容推荐


      • R中你应该学习的7种可视化

      • R的ggplot2包画折线图?

      • R的ggplot2包画柱状图?

      • 如何阅读论文?

      • 论文管理工具,我用Zotero

      • 一个数据人的2018


      测试结尾

      请关注“恒诺新知”微信公众号,感谢“R语言“,”数据那些事儿“,”老俊俊的生信笔记“,”冷🈚️思“,“珞珈R”,“生信星球”的支持!

      • 分享:
      作者头像
      weinfoadmin

      上一篇文章

      如何通过R建立流程图:DiagrammeR
      2019年3月14日

      下一篇文章

      系统学习单细胞转录组测序scRNA-Seq(二)
      2019年3月16日

      你可能也喜欢

      3-1665801675
      R语言学习:重读《R数据科学(中文版)》书籍
      28 9月, 2022
      6-1652833487
      经典铁死亡,再出新思路
      16 5月, 2022
      1-1651501980
      R语言学习:阅读《R For Everyone 》(第二版)
      1 5月, 2022

      搜索

      分类

      • R语言
      • TCGA数据挖掘
      • 单细胞RNA-seq测序
      • 在线会议直播预告与回放
      • 数据分析那些事儿分类
      • 未分类
      • 生信星球
      • 老俊俊的生信笔记

      投稿培训

      免费

      alphafold2培训

      免费

      群晖配置培训

      免费

      最新博文

      Nature | 单细胞技术揭示衰老细胞与肌肉再生
      301月2023
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      301月2023
      如何快速批量修改 Git 提交记录中的用户信息
      261月2023
      logo-eduma-the-best-lms-wordpress-theme

      (00) 123 456 789

      weinfoadmin@weinformatics.cn

      恒诺新知

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      链接

      • 课程
      • 事件
      • 展示
      • 问答

      支持

      • 文档
      • 论坛
      • 语言包
      • 发行状态

      推荐

      • iHub汉语代码托管
      • iLAB耗材管理
      • WooCommerce
      • 丁香园论坛

      weinformatics 即 恒诺新知。ICP备案号:粤ICP备19129767号

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      要成为一名讲师吗?

      加入数以千计的演讲者获得100%课时费!

      现在开始

      用你的站点账户登录

      忘记密码?

      还不是会员? 现在注册

      注册新帐户

      已经拥有注册账户? 现在登录

      close
      会员购买 你还没有登录,请先登录
      • ¥99 VIP-1个月
      • ¥199 VIP-半年
      • ¥299 VIP-1年
      在线支付 激活码

      立即支付
      支付宝
      微信支付
      请使用 支付宝 或 微信 扫码支付
      登录
      注册|忘记密码?