我想使用GLMNET来拟合二项Logistic回归模型 . 我可以直接使用插入符号或glmnet-package . 让我们以数据(BinomialExample)为例来执行以下代码:
#rm(list = ls(all.names = TRUE))
library(glmnet)
library(caret)
data(BinomialExample)
y[y==0] = "low"
y[y==1] = "high"
y <- as.factor(y)
#split data in training & validation set
set.seed(1)
splitSample <- createDataPartition(y, p = 0.8, list = FALSE)
training_expression <- x[splitSample,]
training_phenotype <- y[splitSample]
validation_expression <- x[-splitSample,]
validation_phenotype <- y[-splitSample]
#####################
##GLMNET with CARET##
#####################
eGrid <- expand.grid(.alpha=seq(0.1,0.9, by=0.1),.lambda=seq(0,1,by=0.01))
Control <- trainControl(verboseIter=TRUE, classProbs=TRUE, summaryFunction=twoClassSummary, method="cv")
set.seed(1)
netFit <- train(x = training_expression, y = training_phenotype,method = "glmnet", metric = "ROC", tuneGrid=eGrid,trControl = Control)
netFitPerf <- getTrainPerf(netFit)
trainROC <- netFitPerf[,1]
trainSens <- netFitPerf[,2]
trainSpec <- netFitPerf[,3]
trainAlpha <- netFit$bestTune[,1]
trainLambda <- netFit$bestTune[,2]
print(sprintf("ROC: %s Sens: %s Spec: %s Alpha: %s Lambda: %s", round(trainROC,2), round(trainSens,2), round(trainSpec,2), round(trainAlpha,2),round(trainLambda,2)))
predict_validation <- predict(netFit, newdata = validation_expression)
confusionMatrix(predict_validation,validation_phenotype)
######################
#GLMNET without CARET#
######################
set.seed(1)
elasticnet <- cv.glmnet(training_expression, training_phenotype, family = "binomial", type.measure = "class", nfolds=10, alpha=0.5, nlambda = 100)
plot(elasticnet)
predict_validation <- predict(elasticnet, newx = validation_expression, s = c(elasticnet$lambda.min), type = "class")
confusionMatrix(predict_validation,validation_phenotype)
正如您所看到的,如果我使用插入符号包,我可以轻松打印模型的ROC,灵敏度和特异性 . 然而,如果我没有CARET直接使用glmnet,我无法找到类似的方法来打印ROC,Sens,Spec - 是否有类似的方法来获取这些指标?
谢谢你的帮助!
1 回答
您可以从
glmnet
工作流生成的各种对象中获取所需的值 . 例如,如果你这样做然后
cm$byClass
包括特异性和敏感性:同样地,你可以从
elasticnet$lambda.min
获得Lambda,从gsub(".*alpha = ([0-9]\\.[0-9]*).*","\\1",deparse(elasticnet$glmnet.fit$call)[2])
获得alpha
(尽管可能有比这个可怕的代码更好的方法) . 实际上,由于alpha
值是函数的输入,因此您甚至不需要提取它 . 但是,如果您在alpha
之间进行交叉验证以及lambda
,则需要使用循环来尝试多个alpha
值,然后您需要某种方法来提取最佳模型的alpha
值 . 如果您决定在交叉验证中包含alpha
,请务必阅读cv.glmnet
的Details
部分 .对于ROC曲线的AUC,
cv.glmnet
将为您提供,但您需要使用type.measure="auc"
而不是type.measure="class"
,这将改变选择最佳模型的方式 . 此外,使用此特定数据样本,您需要使用较少的CV折叠,但这可能不是您的真实数据的问题 . 例如:然后,获得AUC:
要么
如果要在不使用AUC选择最佳模型的情况下计算AUC,则可能必须自己计算或使用预先存在的函数,例如
pROC
包中的auc
.