J'utilise 2 types de régression logistique - l'un est le type simple, pour la classification binaire, et l'autre est la régression logistique ordinale. Pour calculer la précision de la première, j'ai utilisé la validation croisée, où j'ai calculé l'AUC pour chaque pli et ensuite calculé l'ASC moyenne. Comment puis-je le faire pour la régression logistique ordinale? J'ai entendu parler de ROC généralisé pour les prédicteurs multi-classes, mais je ne sais pas comment le calculer.
Merci!
logistic
cross-validation
roc
auc
ordered-logit
Noam Peled
la source
la source
Réponses:
J'aime seulement la zone sous la courbe ROC ( index) car il se trouve que c'est une probabilité de concordance. c est un élément constitutif des coefficients de corrélation de rang. Par exemple, Somers D x y = 2 × ( c - 1c c . Pour l'ordinalY,Dxyest une excellente mesure de la discrimination prédictive, et lepackageRfournit des moyens faciles d'obtenir des estimations corrigées du sur-ajustement bootstrap deDxy. Vous pouvez effectuer une résolution arrière pour unindexcgénéralisé (AUROC généralisé). Il y araisonsne pas considérer chaque niveau deYséparémentcar cela n'exploite pas la nature ordinale deY.réx y= 2 × ( c - 12) Oui réx y réx y c Oui Oui
rms
IlOui
rms
existe deux fonctions de régression ordinale:lrm
etorm
, cette dernière gère continu et fournit plus de familles de distribution (fonctions de liaison) que de cotes proportionnelles.la source
orm
L'AUC pour la régression ordinale est quelque chose de délicat. Vous voudrez peut-être calculer l'AUC pour chaque classe en créant des variables muettes pour prendre la valeur 1 pour la classe que vous calculez l'AUC et 0 pour le reste des autres classes. Si vous avez 4 classes, vous allez créer 4 AUC et les tracer sur le même graphique. Le principal problème de cette méthode est qu'elle pénalise également la mauvaise classification. Il est bien plus intuitif de classer par erreur une classe 1 en classe 3 que de classer par erreur une classe 1 en classe 2.
la source