Я использую 2 вида логистической регрессии - один простой тип, для двоичной классификации, а другой - порядковый логистический регресс. Для вычисления точности первого я использовал перекрестную проверку, где я вычислял AUC для каждого раза и затем вычислял среднее значение AUC. Как я могу сделать это для порядковой логистической регрессии? Я слышал об обобщенном ROC для мультиклассовых предикторов, но я не уверен, как его вычислить.
Спасибо!
logistic
cross-validation
roc
auc
ordered-logit
Ноам Пелед
источник
источник
Ответы:
Мне нравится только область под кривой ROC ( -индекс), потому что это вероятность совпадения. является строительным блоком ранговых коэффициентов корреляции. Например, Somers ' . Для порядкового , является отличным показателем прогнозирующей дискриминации, а R пакет предоставляет удобные способы получить самозагрузки переобучения скорректированных оценок . Вы можете выполнить обратное преобразование для обобщенного индекса (обобщенного AUROC). Есть причины , чтобы не рассматривать каждый уровень отдельно , потому что это не использует порядковый характер .c c Dxy=2×(c−12) Y Dxy Dxy c Y Y
rms
ВY
rms
нем есть две функции для порядковой регрессии:lrm
иorm
последняя обрабатывает непрерывный и обеспечивает больше семейств распределения (функции связи), чем пропорциональные шансы.источник
orm
AUC для порядковой регрессии является чем-то хитрым. Возможно, вы захотите рассчитать AUC для каждого класса, создав макеты, которые будут принимать значение 1 для класса, для которого вы рассчитываете AUC, и 0 для остальных остальных классов. Если у вас есть 4 класса, вы создадите 4 AUC и разместите их на одном графике. Основная проблема этого метода заключается в том, что он одинаково наказывает за неправильную классификацию. Гораздо более интуитивно ошибочно классифицировать класс 1 в класс 3 должно быть хуже, чем неправильно классифицировать класс 1 в класс 2.
источник