分類模型評價一般有以下幾種方法：混淆矩陣(Confusion Matrix)、收益圖(Gain Chart)、提升圖(Lift Chart)、KS圖(KS Chart)、接受者操作特性曲線(ROC Chart)。“分類模型評價與在R中的實現”系列中將逐個介紹。

上篇介紹最基礎的混淆矩陣。
本篇介紹收益圖(Gain Chart)與提升圖(Lift Chart)。

一、收益圖/提升圖簡介

回顧上篇，混淆矩陣評價的是模型在總體樣本的表現。下面介紹的收益/提升圖評估的是模型捕捉到的所有正響應，對比真實分類情況的表現。

模型捕捉到的正響應是用什么來表示呢？回顧混淆矩陣可組合出的指標RPP(Rate of positive predictions) = (TP+FP)/(P+N)，正是所有預測中，預測為正的比例。根據不同的閥值，RPP的范圍為[0,1]。自然地，這收益圖/提升圖的公共橫軸為累計RPP。

縱軸需要評價模型在預測為正的事件中，正確的概率。也就是模型的TPR(True Positive Rate)，此間的TPR也可稱為收益值(Gain Value)。提升值(Lift Value)則進一步考慮了在某個RPP下的TPR的這個相對性概念，用TPR/RPP計算。

二、在R中計算收益/提升表、作圖

1 直接計算

舉一個最簡單的例子說明。還是和上次一樣用ROCR包中的ROCR.simple數據，為了方便查看，只取前10條。

require(ROCR) data(ROCR.simple) data <- as.data.frame(ROCR.simple)[1:10, ]

按照以下步驟計算gain/lift值：

按預測分值對數據集排序

用當前行號/總行數當做Rate of Positive

計算TPR

用TPR列與RPP列計算Lift值

data <- data[order(data[, 1], decreasing = TRUE), ] data$rpp <- row(data[, 1, drop = FALSE])/nrow(data) data$target_cum <- cumsum(data[, "labels"]) data$tpr <- data$target_cum/sum(data[, "labels"]) data$lift <- data$tpr/data$rpp data ## predictions labels rpp target_cum tpr lift ## 7 0.9706 1 0.1 1 0.1667 1.6667 ## 8 0.8902 1 0.2 2 0.3333 1.6667 ## 10 0.8688 0 0.3 2 0.3333 1.1111 ## 9 0.7818 1 0.4 3 0.5000 1.2500 ## 1 0.6125 1 0.5 4 0.6667 1.3333 ## 3 0.4321 0 0.6 4 0.6667 1.1111 ## 5 0.3849 0 0.7 4 0.6667 0.9524 ## 2 0.3643 1 0.8 5 0.8333 1.0417 ## 6 0.2444 1 0.9 6 1.0000 1.1111 ## 4 0.1403 0 1.0 6 1.0000 1.0000

有了如上結果，將RPP放橫軸，TPR/Lift放縱軸分別畫出收益圖和提升圖。

par(mfrow = c(1, 2)) plot(data$rpp, data$tpr, type = "l", main = "Gain Chart") plot(data$rpp, data$lift, type = "l", main = "Lift Chart")

2 用ROCR包畫圖

用ROCR的prediction()和performance()函數可以很簡單地將模型結果轉化為評價可以直接使用的指標。這次以ROCR.simple所有數據為例。

require(ROCR) data(ROCR.simple) pred <- prediction(ROCR.simple$predictions, ROCR.simple$labels) par(mfrow = c(1, 2)) gain <- performance(pred, "tpr", "rpp") plot(gain, main = "Gain Chart") lift <- performance(pred, "lift", "rpp") plot(lift, main = "Lift Chart")

對于收益圖，理想的收益圖應快速達到很高的累計收益值，并很快趨于100%；理想的提升圖應該在很高的提升值上保持一段，或緩慢下降一段，然后迅速下降到1。根據上面兩個圖，可以做出結論，如果我們選擇20%的RPP，那么模型的真正率約為35%左右（收益圖），將比不使用任何模型獲得約1.7倍的正回應（提升圖）。

from:?http://iccm.cc/classification-model-evaluation-gain-chart-lift-chart/

總結

以上是生活随笔為你收集整理的分类器评价与在R中的实现：收益图与提升图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。