Logistic回归模型的Accuracy ratio计算工具函数咨询

在R中没有直接命名为“Accuracy ratio”的内置函数，但可以通过AUC（ROC曲线下面积）间接计算——Accuracy Ratio（AR）= 2*AUC - 1，下面提供两种可行的实现方式：

方法一：使用pROC包（推荐） #

pROC是专门用于ROC分析的工具包，能快速计算AUC并推导AR：

1. 安装并加载包：

install.packages("pROC")
library(pROC)

2. 提取模型的预测概率：

pred_probs <- predict(glm_fit, type = "response")

3. 计算AUC并转换为Accuracy Ratio：

roc_obj <- roc(binary ~ pred_probs)
accuracy_ratio <- 2 * roc_obj$auc - 1
print(accuracy_ratio)

方法二：手动计算（无需额外包） #

如果不想依赖第三方包，可以手动基于排序后的真实值和预测分数计算：

# 获取真实标签和预测概率
actual_labels <- binary
pred_scores <- predict(glm_fit, type = "response")

# 按预测分数降序排序数据
sorted_data <- data.frame(actual = actual_labels, score = pred_scores)
sorted_data <- sorted_data[order(-sorted_data$score), ]

# 计算累计正例数和累计样本数
cum_positive <- cumsum(sorted_data$actual)
total_positive <- sum(sorted_data$actual)
cum_total <- 1:nrow(sorted_data)
total_samples <- nrow(sorted_data)

# 计算Gini系数并转换为Accuracy Ratio
gini <- (sum(cum_positive)/total_positive - (total_samples + 1)/2) / total_samples
accuracy_ratio <- 2 * gini
print(accuracy_ratio)

注意：你的模拟数据集只有9个样本，计算出的Accuracy Ratio随机性极强，不具备实际参考意义，实际建模时建议使用更大规模的数据集。

内容的提问来源于stack exchange，提问作者Daniel Lobo