1. Learn
    2. /
  2. 课程
    3. /
  3. R 中的信用风险建模
Connected

道练习

用于对比逻辑回归模型的 ROC 曲线

在 R 中可以使用 pROC 包轻松绘制 ROC 曲线。让我们看看本课程前面用到的 4 个逻辑回归模型的 ROC 曲线是否存在明显差异。先做个小提示：

  • predictions_logit 包含使用默认 logit 链接函数得到的违约概率（PD）预测，所含变量为 age、emp_cat、ir_cat 和 loan_amnt。
  • predictions_probit 包含使用 probit 链接函数得到的 PD 预测，所含变量为 age、emp_cat、ir_cat 和 loan_amnt。
  • predictions_cloglog 包含使用 cloglog 链接函数得到的 PD 预测，所含变量为 age、emp_cat、ir_cat 和 loan_amnt。
  • predictions_all_full 包含使用默认 logit 链接函数得到的 PD 预测，并包含数据集中全部 7 个变量。

您将先在同一张图上绘制这 4 个模型的 ROC 曲线。随后，再查看曲线下面积。

说明

100 XP
  • 在 R 控制台中加载 pROC 包。
  • 使用函数 roc(response, predictor) 为这 4 个逻辑回归模型构建 ROC 对象。请记住，响应变量是 test_set 中的贷款状态指标，可通过 test_set$loan_status 获取。
  • 使用前一步创建的对象绘制 ROC 曲线。若要在同一张图上绘制全部曲线，对第一条 ROC（ROC_logit）使用 plot()，对另外三个模型使用 [lines()](https://www.rdocumentation.org/packages/graphics/functions/lines 来将 ROC 曲线添加到同一图中)。
  • 使用 col 参数更改曲线颜色：将 ROC_probit 设为 "blue"，ROC_cloglog 设为 "red"，ROC_all_full 设为 "green"。注意，与视频中的说明相反，x 轴标签是 Specificity，而不是 "1-Specificity"，因此该轴从左侧的 1 递减到右侧的 0。
  • 看起来链接函数对这里的 ROC 影响不大，而更好的 ROC 主要来自在模型中纳入更多变量。为更精确地比较 ROC 表现，请查看 AUC，使用函数 auc()。