R随机森林的灵敏度分析

是否可以运行监督分类随机森林最大化灵敏度（TP/（TP+FN））？ 据我所知，准确度或Kappa是衡量标准。 下面是一个真实的例子，其中Kappa和accurity都未按要求评估模型。正如回答和评论（@Hanjo和@Aaron）中所指出的那样，仅仅敏感性并不是一个好的衡量标准

      0    1     T  
0  1213   50  1263  
1   608   63   671  
T  1821  113  1934  

> Precisao(prev_table)
[1] "accuracy(TP+TN/T)= 0.66"
[1] "precision(TP/TP+FP)= 0.558"
[1] "sensitivity(TP/TP+FN)= 0.0939"
[1] "positive= 671 0.347"
[1] "negative= 1263 0.653"
[1] "predicted positive= 113 0.0584"
[1] "predicted negative= 1821 0.942"
[1] "Total= 1934"

---

这个真实的x预测结果与目标相差甚远。

让我为您详细说明为什么选择“敏感性”或“特异性”作为性能指标可能不是一个好主意，以及为什么我说您可能必须选择

kappa

（尤其是在不平衡的类预测中）

假设我们有以下数据集和预测结果：

x   Outcome Prediction
0.515925884 1   1
0.416949071 0   1
0.112185499 0   1
0.557334124 0   1
0.599717812 0   1
0.272965861 1   1
0.898911346 0   1
0.347428065 0   1

如果模型预测所有观测值均为1，则您将具有100%的灵敏度，并且会错误地假设模型运行良好。如果模型预测所有结果为0，则情况也是如此，这与100%的特异性有关。但这是否意味着该模型得到了很好的调整？显然不是，作为“预测”所有结果为真阳性的简单规则，你会得到100%的特异性。现在，

kappa

使用以下模型性能度量：

---

Kappa统计量（或值）是一种将观测精度与预期精度（随机概率）进行比较的指标。这是对模型性能的更具代表性的度量。这里可以找到一个很好的答案来解释这一点

让我为您详细说明为什么选择“敏感性”或“特异性”作为性能指标可能不是一个好主意，以及为什么我说您可能必须选择

kappa

（尤其是在不平衡的类预测中）

假设我们有以下数据集和预测结果：

x   Outcome Prediction
0.515925884 1   1
0.416949071 0   1
0.112185499 0   1
0.557334124 0   1
0.599717812 0   1
0.272965861 1   1
0.898911346 0   1
0.347428065 0   1

如果模型预测所有观测值均为1，则您将具有100%的灵敏度，并且会错误地假设模型运行良好。如果模型预测所有结果为0，则情况也是如此，这与100%的特异性有关。但这是否意味着该模型得到了很好的调整？显然不是，作为“预测”所有结果为真阳性的简单规则，你会得到100%的特异性。现在，

kappa

使用以下模型性能度量：

---

Kappa统计量（或值）是一种将观测精度与预期精度（随机概率）进行比较的指标。这是对模型性能的更具代表性的度量。可以在这里找到一个很好的答案来解释这一点

你可以，但为什么要特别敏感呢？查看“插入符号”库，并在“训练模型”下，将

metric

设置为灵敏度。我认为

kappa

是对模型性能更好的评估，因为它考虑了类imbalances@HanjoJoburgOdendaal博士说，似乎只有准确度和Kappa才是可能的衡量标准。你可以，但为什么特别是敏感度？查看“插入符号”库，并在“训练模型”下，将

metric

设置为灵敏度。我认为

kappa

是对模型性能更好的评估，因为它考虑了类imbalances@HanjoJoburgOdendaal博士认为，只有准确度和Kappa才是可能的衡量标准，但实际上并非如此。如何我有很多的负面影响，模型评估作为一个很好的答案很多预测负面影响。关注敏感度很重要：该模型的目标不是预测假阴性，换句话说，不能有效预测阳性。使用Kappa或准确度进行的预测在5000个样本中给出了3种不同的情况。下面是一个例子。Hanjo说的是，你不需要随机森林来最大化灵敏度。简单地预测1表示一切，完成。如果这不是你想要做的，你需要一些折衷的指标。如果你选择敏感度作为指标，你的模型将学会预测所有问题的1，不管输入是什么——就像你训练它时，你不会因为它在实际为0的问题上猜1而惩罚它。i、 不管x变量输入是什么，你的模型总是预测1。实际上，它不是。如何我有很多的负面影响，模型评估作为一个很好的答案很多预测负面影响。关注敏感度很重要：该模型的目标不是预测假阴性，换句话说，不能有效预测阳性。使用Kappa或准确度进行的预测在5000个样本中给出了3种不同的情况。下面是一个例子。Hanjo说的是，你不需要随机森林来最大化灵敏度。简单地预测1表示一切，完成。如果这不是你想要做的，你需要一些折衷的指标。如果你选择敏感度作为指标，你的模型将学会预测所有问题的1，不管输入是什么——就像你训练它时，你不会因为它在实际为0的问题上猜1而惩罚它。i、 e无论x变量输入如何，您的模型总是预测1。