在glm（）之后推导给定值以获取PPV，NPV，敏感性和特异性

Question

我已经运行了glm()模型； 但现在我想用PPV，NPV，敏感性和特异性来衡量模型的准确性。 但是，我总是得到令人困惑的结果。

我的结果是一个看起来像这样的因子变量：

table(mydata$outcome)

   0    1 
6824  359

预测变量是连续变量与1个类别（性别）的组合。

我的代码是：

# To run the logistic model 

    mod <- glm(outcome~predictor1+predictor2+predictor3,data=mydata,family=binomial("logit"))
    summary(mod)

# To run predict() to get the predicted values of the outcome 

    predicted = predict(object =  mod, newdata=mydata, type = "response")

结果如下：

head(predicted)
         1          2          3          4          5          6 
0.02568802 0.02979873 0.01920584 0.01077031 0.01279325 0.09725329 

这是非常令人惊讶的，因为我期望观察到预测的“ 1”（案例）与“ 0”（控件），我可以将其进一步用于通过confusionMatrix(predicted, mydata$outcome)或使用ModelMetrics获得模型的准确性度量图书馆。

所以我的问题是如何获得4x4表格（预测与观察）结果，该结果可用于测量glm()模型预测结果的准确性？ 对于任何建议，我将不胜感激，或者，如果有更好的方法来获取PPV，NPV，敏感性和特异性，请让我知道。 谢谢。

Answer 1

您的glm模型给出了两种结果的概率。 通常，人们希望为概率> =的任何事件分配“ 1”。 5，否则为0。 您可以使用round（）做到这一点。 在更多的“机器学习”类型的情况下，除了.5以外，可能还会考虑其他值。 您可以使用ifelse（）fn来做到这一点。 例如，如果您只想给概率为.7的案例分配“ 1”，则可以说vals = ifelse（mydata $ outcome> .7,1,0）。 最后，所需的数据通常称为混淆矩阵。 可以通过各种软件包进行计算，但是这是姊妹站点的一个不错的解决方案-R：如何为预测模型制作混淆矩阵？