R - ce qui commande à générer de la confusion de la matrice en utilisant en entrée les résultats de rpart() et de prévoir()?

Quelle commande dois-je utiliser R pour effectuer une matrice de confusion après avoir utilisé rpart() et predict() commandes pour générer un modèle de prédiction?

# Grow tree
library(rpart)
fit <- rpart(activity ~ ., method="class", data=train.data)

printcp(fit) # display the results
plotcp(fit) # visualize cross-validation results
summary(fit) # detailed summary of splits

# Prune the tree (in my case is exactly the same as the initial model)
pfit <- prune(fit, cp=0.10) # from cptable
pfit <- prune(fit,cp=fit$cptable[which.min(fit$cptable[,"xerror"]),"CP"])

# Predict using the test dataset
pred1 <- predict(fit, test.data, type="class")

# Show re-substitution error
table(train.data$activity, predict(fit, type="class"))

# Accuracy rate
sum(test.data$activity==pred1)/length(pred1)

Je voudrais résumer de façon claire Vrais Positifs, Faux Négatifs, Faux Positifs et Vrais Négatifs. Il serait bien aussi d'avoir dans le même matrice de Sensibilité, Spécificité, Valeur Prédictive Positive et Valeur Prédictive Négative.

R - ce qui commande à générer de la confusion de la matrice en utilisant en entrée les résultats de rpart() et de prévoir()?
Source: http://en.wikipedia.org/wiki/Sensitivity_and_specificity

Peut-être que vous pouvez obtenir des prédictions des deux modèles dans de nouvelles variables et de faire table(DF$rpart,DF$prédire) où DF est vous bloc de données dans l'analyse.

OriginalL'auteur Gianluca | 2013-12-07

  1. 1

    Utiliser le predict() méthode, avec votre modèle et l'original de la trame de données, comme suit:

    pred = predict(train.fit, newdata, type = "vector")
newdata$pred = as.vector(pred)
newdata$prediction = activities[newdata$pred]

tab = table (newdata$prediction, newdata$activity)
print(tab)

    Dans l'exemple ci-dessus, le rpart modèle prédit une activité (d'un facteur variable). pred est numérique, avec des valeurs correspondant aux différents niveaux du facteur. activities = sort(unique(data$activity)) correspond à la valeur par défaut du facteur de cartographie.

    J'ai l'habitude d'ajouter sur avec confmat < table(newdata$classes, predicted_classes) précision = (confmat[1] + confmat[5] + confmat[9]) / somme(confmat) confmat sprintf("la Précision est de %f", précision)

    OriginalL'auteur Gerry