0
我试图通过逻辑回归进行分类。为了评估模型,我使用了confusionMatrix和ROC。问题是这两个软件包的结果是不同的。我想弄清楚哪一个是对还是错。混淆的不同结果矩阵的caret包和ROC的Epi包在R
我的数据是这样的: 数据名称= newoversample,有29个变量和4802周的观察。 “q89”是预测变量。
我尝试:
(1)混淆矩阵
glm.fit = glm(q89 ~ ., newoversample, family = binomial)
summary(glm.fit)
glm.probs=predict(glm.fit,type="response")
glm.pred=rep(0,4802)
glm.pred[glm.probs>.5]="1"
library(caret)
confusionMatrix(data=glm.pred, reference=newoversample$q89)
结果是:
Confusion Matrix and Statistics
Reference
Prediction 0 1
0 2018 437
1 383 1964
Accuracy : 0.8292
95% CI : (0.8183, 0.8398)
No Information Rate : 0.5
P-Value [Acc > NIR] : < 2e-16
Kappa : 0.6585
Mcnemar's Test P-Value : 0.06419
Sensitivity : 0.8405
Specificity : 0.8180
Pos Pred Value : 0.8220
Neg Pred Value : 0.8368
Prevalence : 0.5000
Detection Rate : 0.4202
Detection Prevalence : 0.5112
Balanced Accuracy : 0.8292
'Positive' Class : 0
(2)ROC从曲线“ Epi'文库
library(Epi)
rocresult <- ROC(form = q89 ~ ., data = newoversample, MI = FALSE, main = "over")
rocresult
结果是: roc curve
,你可以看到,在这里,灵敏度是91和特异性是78,其是由(1)混淆矩阵的结果不同。
我不明白为什么结果是不同的,哪一个是正确的。
+) 如果第二种方法(ROC曲线)错误,请告诉我如何从第一种方法计算auc或绘制roc曲线。
请帮帮我!
三江源