2

我有一个包含 100 个样本（行）和 10000 个独立特征（列）的矩阵 (x)。观察结果是二元的，样本是好的还是坏的 {0,1}（存储在向量 y 中）。我想执行遗漏交叉验证并分别确定每个功能的曲线下面积（AUC）（类似于 CAtools 包中的 colAUC）。我尝试使用 glmnet，但它不起作用。正如手册中所说，我尝试将 nfold 参数设置为等于观察次数（100）。

>result=cv.glmnet(x,y,nfolds=100,type.measure="auc",family="binomial")

我收到了这些警告：

>"Warning messages:
1: Too few (< 10) observations per fold for type.measure='auc' in   
cv.lognet; changed to type.measure='deviance'. Alternatively, use smaller  
value for nfolds 
2: Option grouped=FALSE enforced in cv.glmnet, since < 3 observations per  
fold"

任何想法我做错了什么？是否有任何其他方式或 R 包来获得每个特征的 LOO 平衡 AUC 值？

我会非常感谢任何帮助。谢谢！

4

1 回答 1

4

当你做一个 LOO-CV 时，你有一个只有 1 个样本的测试集，你当然不能用它来构建 AUC。但是，您可以在每一步循环和存储预测：

k <- dim(x)[1]
predictions <- c()
for (i in 1:k) {
  model <- glmnet(x[-i,], y[-i], family="binomial")
  predictions <- c(predictions, predict(model, newx=x[i,]))
}

这样最后你就可以制作一个ROC曲线，例如：

library(pROC)
roc(y, predictions)
于 2014-01-13T13:25:21.670 回答