ISmRandomForest.ROCcurve

Синтаксис

ROCcurve: IROCcurve;

Описание

Свойство ROCcurve возвращает параметры ROC-кривой.

Комментарии

ROC-кривая - это график, позволяющий оценить качество бинарной классификации. ROC-кривая отображает соотношение между долей объектов от общего количества носителей признака, верно классифицированных как несущих признак, и долей объектов от общего количества объектов, не несущих признака, ошибочно классифицированных как несущих признак при варьировании порога решающего правила.

Таким образом, ROC-кривая рассчитывается, если объясняемый ряд является бинарным.

Для построения ROC-кривой по оси Y откладываются полученные значения чувствительности, а по оси X - (1 - специфичность).

Пример

Для выполнения примера добавьте ссылку на системную сборку Stat.

Sub UserProc;
Var
    RF: SmRandomForest;
    ROCCurve: IROCcurve;
    y: Array[16] Of Integer;
    x3dbl: array[16] Of Double;
    i, res: Integer;
    OneMinusSpecificity, Sensitivity: Array Of Double;
Begin
    // Создаём метод
    RF := New SmRandomForest.Create;
    // Задаем исходные данные
    // Задаем значения, соответствующие возрастной группе
    y[0] := 5; y[1] := 5; y[2] := 5; y[3] := 5;
    y[4] := 5; y[5] := 5; y[6] := 5; y[7] := 5;
    y[8] := 1; y[9] := 1; y[10] := 1; y[11] := 1;
    y[12] := 1; y[13] := 1; y[14] := 1; y[15] := 1;
    // Задаем значения объясняющего количественного ряда    
    x3dbl[0] := 1.1; x3dbl[1] := 2.1;   x3dbl[2] := 3;  x3dbl[3] := 5;
    x3dbl[4] := 40; x3dbl[5] := 6; x3dbl[6] := 7; x3dbl[7] := 8;
    x3dbl[8] := 9; x3dbl[9] := 9; x3dbl[10] := 10; x3dbl[11] := 10;
    x3dbl[12] := 11; x3dbl[13] := 12; x3dbl[14] := 13; x3dbl[15] := 1.4;
    // Определяем параметры метода
    RF.ForestSize := 20;
    RF.NumberOfPredictors := 2;
    RF.LearningSamplePortion := 0.67;
    // Определяем размер деревьев
    RF.TreeSizeSpecification.MaximumNumberOfLevels := 10;
    RF.TreeSizeSpecification.MinimumNumberOfCases := 2; 
    // Задаем объясняемый ряд
    RF.Dependent.Value := y;
    // Задаем объясняющие порядковые
    RF.ExplanatoriesContinuous.Add.Value := x3dbl;
    // Выполняем расчёт и выводим значения в окно консоли
    res := RF.Execute;
    ROCCurve := RF.ROCcurve;
    Debug.WriteLine(RF.Errors);
    Debug.WriteLine(RF.Forest.Count.ToString);
    If res <> 0 Then
        Debug.WriteLine("Произошла ошибка");
    Else
        If ROCCurve <> Null Then
            Debug.WriteLine("Данные ROC-кривой:");
            Debug.Indent;
            Debug.WriteLine("Специфичность:");
            Debug.Indent;
            OneMinusSpecificity := ROCcurve.OneMinusSpecificity;
            For i := 0 To OneMinusSpecificity.Length - 1 Do
                Debug.WriteLine(OneMinusSpecificity[i]);
            End For;
            Debug.Unindent;
            Debug.WriteLine("Чувствительность:");
            Debug.Indent;
            Sensitivity := ROCcurve.Sensitivity;
            For i := 0 To Sensitivity.Length - 1 Do
                Debug.WriteLine(Sensitivity[i]);
            End For;
         End If;
        // Выводим критерии качества классификации
        Debug.Unindent;
        Debug.Unindent;
        Debug.WriteLine("Критерии качества классификации");
        Debug.WriteLine("Общая точность: " + RF.RelevanceMeasure.Accuracy.ToString);
        Debug.WriteLine("Ф - оценка: " + RF.RelevanceMeasure.F1.ToString);
        Debug.WriteLine("Количество истинно-положительных значений: " + RF.RelevanceMeasure.TruePositive.ToString);
        Debug.WriteLine("Количество истинно-отрицательных значений: " + RF.RelevanceMeasure.TrueNegative.ToString);
        Debug.WriteLine("Количество ложно-положительных значений: " + RF.RelevanceMeasure.FalsePositive.ToString);
        Debug.WriteLine("Количество ложно-отрицательных значений: " + RF.RelevanceMeasure.FalseNegative.ToString);
    End If;
End Sub UserProc;

В результате выполнения примера в окно консоли будут выведены данные ROC-кривой и критерии качества классификации.

См. также:

ISmRandomForest