插入符号'；s train（）&；重采样（）逆转GLM的敏感性/特异性

glm（）

函数的文档说明了与因子响应变量相关的

第一级表示失败和所有其他成功

我假设在使用

方法='glm'

时，插入符号的

train（）

函数在引擎盖下调用

glm（）

，因此同样适用

因此，为了生成与其他模型一致的可解释模型（，即系数对应于

成功

事件），我必须遵循此约定

问题是，即使glm（）和caret的

train（）

函数将第二级因素视为成功，caret的

重采样

函数（和

$resample

变量）仍然将第一级因素视为

成功

/

正

，因此，

敏感性

和

特异性

与我想使用

重采样（）

与其他模型进行比较时的情况正好相反。

例如：

install.packages('ISLR')
library('ISLR')
summary(Default)
levels(Default$default) # 'yes' is second level on factor
glm_model <- glm(default ~ ., family = "binomial", data = Default)
summary(glm_model)

train_control <- trainControl(
    summaryFunction = twoClassSummary,
    classProbs = TRUE,
    method = 'repeatedcv',
    number = 5,
    repeats = 5,
    verboseIter = FALSE,
    savePredictions = TRUE)
set.seed(123)
caret_model <- train(default ~ ., data = Default, method = 'glm', metric='ROC', preProc=c('nzv', 'center', 'scale', 'knnImpute'), trControl = train_control)
summary(caret_model)
caret_model # shows Sens of ~0.99 and Spec of ~0.32
caret_model$resample # shows same, but for each fold/repeat; by now, resamples are already the opposite of what they should be, which will propagate to resamples() method, no way to specify positive/success class in train()?

confusionMatrix(data = predict(caret_model, Default), reference = Default$default, positive = 'Yes') # once I set 'Yes' as positive class, the true sensitivity and specificity are calculated, but no way to do this for resamples()?

install.packages（'ISLR'））
库（'ISLR'）
摘要（默认）
级别（默认值$Default）#“是”是系数的第二级
glm_模型以下将反转灵敏度：

temp <- Default
temp$default <- fct_relevel(temp$default, "Yes")
levels(temp$default)
levels(Default$default)

caret_model <- train(relevel(default, ref = "Yes") ~ ., data = temp, method = 'glm', metric='ROC', preProc=c('nzv', 'center', 'scale', 'knnImpute'), trControl = train_control)
summary(caret_model)
caret_model 

temp