Model Calibration
예측모형 (predicted model) 을 어떻게 평가할 수 있을까? 가장 직관적이면서 많이 쓰이는 평가 방법은 정확도 (accuracy), 즉, 예측한 것중 몇퍼센트나 맞았는가에 관한 지표일 것이다. 하지만 좋은 모델이란 정확해야할 뿐만아니라 잘 보정 (calibration) 되어야할 필요가 있다.
calibration 을 평가하기 위해 사용되는 calibration plot 은 예측된 확률과, 실제 확률의 관계를 보여준다. 이를 통해 모델의 예측이 얼마나 "현실적인지" 를 측정하게 된다. 예를 들어, 이미지를 인풋으로 받아 개와 고양이를 분류하는 모델을 생각해보자. 어떤 이미지에 대해 0.8 의 확률로 개라고 반환했다면, "정말 이 이미지가 개일 확률이 0.8 인가?" 에 대한 답을 주는 것이 calibration plot 이다. 정확도란 (일반적으로 이진 분류에 관하여) 50 % 를 cutoff 로 사용하여, 예측을 A와 B 클래스로 나누어, 실제 값이랑 맞는지를 확인하는 것이지만, calibration 은 보다 면밀하게 모델의 결과값을 검증하는 과정이라고 볼 수 있다.
Calibration plot
만약 데이터의 실제 정답이 알려져 있다면, Calibration 을 평가하기 위해 Calibration plot 을 많이 그리게 되는데, 일반적인 방법은 다음과 같다.
1. 모델의 예측값을 기준으로 [0,10%], (10,20%], (20,30%], … (90,100%] 에 맞게 데이터를 분할한다 (이를 binning 이라고도 한다).
2. 각 카테고리에서 예측하고자 한 클래스의 비율 (event rate) 를 계산한다 (예제의 경우 개의 비율을 계산한다).
3. calibration plot을 그린다 : 각 카테고리에서의 중앙 값 (5 %, 15 %, 20 % ...) 를 x 로 놓고, event rate 를 y 로 놓고 그린 그림이다.
4. calibration plot 의 선이 일직선 (45◦)임을 확인한다.
Example
R을 통해 Calibration 을 실제로 해보자.
diabetes.csv실습 데이터는 Pima diabetes 데이터셋을 이용해보겠다. Pima diabetes 데이터셋은 사람들의 임상정보와 당뇨병 여부에 관한 정보를 갖고 있는 데이터셋이다. 이 때 당뇨병 여부를 예측하는 모형을 로지스틱 회귀분석 및 랜덤포레스트을 이용해 구축하고, 이 두 모델의 정확도 및 Calibration 을 평가해보자.
데이터 로드 및 train/test split
- 이 데이터셋의 경우, missing value 가 많은 것이 특징이다.
- 아래 코드는 평균으로 missing 을 채워넣는 mean imputation 을 수행하고 train/test 를 50:50으로 나누는 코드이다.
suppressPackageStartupMessages(library(tidyverse)) library(data.table) data <- readr::read_csv("../PimaDiabetes/diabetes.csv") data$Outcome <- factor(data$Outcome) ## Imputation fix_missing <- function(x, missing_value) { x[x == missing_value] <- NA x } cols <- colnames(data)[1:8] data[, cols] <- lapply(data[, cols], fix_missing, 0) impute_mean <- function(x) { x[is.na(x)] <- mean(x, na.rm = TRUE) return(x) } data[, cols] <- lapply(data[, cols], impute_mean) data %>% head ## Train/Test Split set.seed(123) smp_size <- floor(0.5 * nrow(data)) train_ind <- sample(seq_len(nrow(data)), size = smp_size) train <- data[trai n_ind, ] test <- data[-train_ind, ]
로지스틱 회귀분석 모형 구축 및 test set 에 대한 예측
- Pregnancies + Glucose + BloodPressure + Insulin + BMI + DiabetesPedigreeFunction + Age 를 통해 Outcome 을 예측하는 모형을 만든다.
lrmodel <- glm(data = train, Outcome ~ Pregnancies + Glucose + BloodPressure + Insulin + BMI + DiabetesPedigreeFunction + Age, family = binomial("logit")) x = predict(lrmodel, newdata = test) p = (1 / (1+exp(-x))) test <- test %>% mutate(lrmodel = p)
랜덤 포레스트 모형 구축 및 test set 에 대한 예측
- 랜덤 포레스트의 hyperparameter 인 mtry 와 ntree 는 적절한 값을 선택한다.
library(randomForest) rfmodel = randomForest(Outcome ~ Pregnancies + Glucose + BloodPressure + Insulin + BMI + DiabetesPedigreeFunction + Age , data = train, mtry = floor(sqrt(7)), ntree = 500, importance = T) p = predict(rfmodel, newdata = test, type = "prob")[, 2] test <- test %>% mutate(rfmodel = p)
cutoff 정하기
- 모형은 0~1사이의 확률을 의미하는 값을 내보내는데, 여기에 threshold 를 적용해서 0 또는 1로 변환한다.
test <- test %>% mutate( rfclass = if_else(rfmodel >= 0.5, 1, 0), lrclass = if_else(lrmodel >= 0.5, 1, 0) ) test$rfclass <- factor(test$rfclass) test$lrclass <- factor(test$lrclass)
로지스틱 회귀분석 정확도
- 정확도는 최종 예측값 (0 또는 1) 을 기준으로, 예측한 값중 실제 정답으로 맞춘 비율을 의미하는 값이다.
- 로지스틱 회귀분석의 경우, 78.9 % 의 정확도를 보여준다.
library(caret) confusionMatrix(test$lrclass, test$Outcome)
Confusion Matrix and Statistics
Reference
Prediction 0 1
0 227 58
1 23 76
Accuracy : 0.7891
95% CI : (0.7448, 0.8288)
No Information Rate : 0.651
P-Value [Acc > NIR] : 2.494e-09
Kappa : 0.5058
Mcnemar's Test P-Value : 0.0001582
Sensitivity : 0.9080
Specificity : 0.5672
Pos Pred Value : 0.7965
Neg Pred Value : 0.7677
Prevalence : 0.6510
Detection Rate : 0.5911
Detection Prevalence : 0.7422
Balanced Accuracy : 0.7376
'Positive' Class : 0 로지스틱 회귀분석 Calibration plot
- Calibration plot 을 그릴 수 있는 방법은 여러가지가 있지만, caret 패키지의 calibration 함수를 통해 쉽게 그려볼 수 있다.
- 모델의 예측값을 기준으로 [0,10%], (10,20%], (20,30%], … (90,100%] 에 맞게 데이터를 분할한다 (이를 binning 이라고도 한다).
- calibration plot을 그린다 : 각 카테고리에서의 중앙 값 (5 %, 15 %, 20 % ...) 를 x 로 놓고, event rate 를 y 로 놓고 그린 그림이다.
library(caret) cal_plot_data_lr = calibration(Outcome ~ lrmodel, data = test, cuts = seq(0, 1, by=0.1), class = 1)$data ggplot() + xlab("Bin Midpoint") + geom_line(data = cal_plot_data_lr, aes(midpoint, Percent), color = "#F8766D") + geom_point(data = cal_plot_data_lr, aes(midpoint, Percent), color = "#F8766D", size = 3) + geom_line(aes(c(0, 100), c(0, 100)), linetype = 2, color = 'grey50')
랜덤포레스트 정확도
- 랜덤포레스트의 경우 로지스틱 회귀분석보다 조금 작은 0.77 % 의 정확도를 보인다.
confusionMatrix(test$rfclass, test$Outcome)
Confusion Matrix and Statistics
Reference
Prediction 0 1
0 213 51
1 37 83
Accuracy : 0.7708
95% CI : (0.7255, 0.8119)
No Information Rate : 0.651
P-Value [Acc > NIR] : 2.421e-07
Kappa : 0.4831
Mcnemar's Test P-Value : 0.1658
Sensitivity : 0.8520
Specificity : 0.6194
Pos Pred Value : 0.8068
Neg Pred Value : 0.6917
Prevalence : 0.6510
Detection Rate : 0.5547
Detection Prevalence : 0.6875
Balanced Accuracy : 0.7357
'Positive' Class : 0
랜덤포레스트 Calibration plot
- 랜덤포레스트에서도 같은 방법으로 calibration plot 을 그릴 수 있다.
- 정확도는 랜덤포레스트에서 약간 작았지만, Calibration 은 더 좋은 모습을 보인다.
- 하지만 train/test 의 비율, hyperparameter 구성에 따라 calibration 이 달라지니, 다양한 세팅에서 검증해볼 필요가 있다.
cal_plot_data_rf = calibration(Outcome ~ rfmodel, data = test, class = 1)$data ggplot() + xlab("Bin Midpoint") + geom_line(data = cal_plot_data_rf, aes(midpoint, Percent), color = "#F8766D") + geom_point(data = cal_plot_data_rf, aes(midpoint, Percent), color = "#F8766D", size = 3) + geom_line(aes(c(0, 100), c(0, 100)), linetype = 2, color = 'grey50')
https://medium.com/optima-blog/model-calibration-4d710a76c54
http://appliedpredictivemodeling.com/blog?offset=1532965627474
'Data science > Statistics' 카테고리의 다른 글
| 두 정규분포 모양의 모집단의 모평균의 차이에 대한 검정: Two sample t-test (0) | 2019.10.24 |
|---|---|
| 중심극한정리를 통한 표본 비율 분포 근사와 모비율의 검정 (0) | 2019.10.24 |
| Adaptive Histogram Equalization 이란 무엇인가? (0) | 2019.06.01 |
| Histogram Equalization 이란 무엇인가? (0) | 2019.06.01 |
| Linearly weighted kappa 란 무엇인가? (0) | 2019.05.30 |
