เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคำนวณ ROC Curve และ AUC

แบบฝึกหัดที่ผ่านมาแสดงให้เห็นว่าค่าความแม่นยำ (accuracy) เป็นตัววัดประสิทธิภาพโมเดลที่ทำให้เข้าใจผิดได้ง่ายมาก โดยเฉพาะเมื่อชุดข้อมูลมีความไม่สมดุล การนำผลลัพธ์ของโมเดลมาสร้างกราฟจะช่วยให้เห็นภาพ tradeoff ระหว่างโมเดลที่ทำนายเชิงรุกเกินไปกับโมเดลที่ระมัดระวังเกินไปได้ชัดเจนยิ่งขึ้น

ในแบบฝึกหัดนี้ จะได้สร้าง ROC curve และคำนวณพื้นที่ใต้เส้นโค้ง (AUC) เพื่อประเมินโมเดล logistic regression สำหรับการบริจาคที่สร้างไว้ก่อนหน้า

ชุดข้อมูล donors พร้อมคอลัมน์ความน่าจะเป็นที่พยากรณ์ไว้ชื่อ donation_prob ได้ถูกโหลดให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning in R: Classification

ดูคอร์ส

คำแนะนำการฝึกหัด

  • โหลดแพ็กเกจ pROC
  • สร้าง ROC curve ด้วย roc() โดยใช้คอลัมน์ของค่าจริงและค่าพยากรณ์ของการบริจาค แล้วเก็บผลลัพธ์ไว้ในตัวแปร ROC
  • ใช้ plot() เพื่อวาดออบเจกต์ ROC และระบุ col = "blue" เพื่อให้เส้นโค้งเป็นสีน้ำเงิน
  • คำนวณพื้นที่ใต้เส้นโค้งด้วย auc()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Load the pROC package


# Create a ROC curve
ROC <- roc(___, ___)

# Plot the ROC curve
plot(___, col = ___)

# Calculate the area under the curve (AUC)
auc(___)
แก้ไขและรันโค้ด