Algum tempo se passou e acho que posso ter uma solução em mãos. Descreverei brevemente minha abordagem para lhe dar uma idéia geral. O código deve ser suficiente para descobrir os detalhes. Eu gosto de anexar código aqui, mas é muito, e o stackexchange não facilita. É claro que estou feliz em responder a quaisquer comentários, também aprecio qualquer crítica.
O código pode ser encontrado abaixo.
A estratégia:
- Aproximar uma curva ROC suave usando a função Logística no intervalo [0,6]
- fk( x ) = 1( 1 + e x p ( - k ∗ x ) )
- Agora, dado que você tem uma curva roc que corresponde à AUC desejada, determine uma pontuação por amostra de [0,1] uniformemente. Isso representa o fpr ( taxa de falsos positivos ) na curva ROC. Por simplicidade, a pontuação é calculada como 1-fpr.
- O rótulo é agora determinado por amostragem de uma distribuição de Bernoulli com p calculado usando a inclinação da curva ROC a esta pressão e a precisão geral desejada das pontuações. Em detalhes: weight (label = "1"): = slope (fpr) mutiplicado por overallPrecision, weight (label = "0"): = 1 multiplicado por (1-overallPrecision). Normalize os pesos para que eles somam 1 para determinar pe 1-p.
Aqui está um exemplo de curva ROC para AUC = 0,6 e precisão geral = 0,1 (também no código abaixo)
Notas:
- a AUC resultante não é exatamente igual à AUC de entrada; de fato, há um pequeno erro (em torno de 0,02). Este erro se origina da maneira como o rótulo de uma pontuação é determinado. Uma melhoria poderia ser adicionar um parâmetro para controlar o tamanho do erro.
- a pontuação é definida como 1-fpr. Isso é arbitrário, pois a Curva ROC não se importa com a aparência das pontuações, desde que possam ser classificadas.
código:
# This function creates a set of random scores together with a binary label
# n = sampleSize
# basePrecision = ratio of positives in the sample (also called overall Precision on stats.stackexchange)
# auc = Area Under Curve i.e. the quality of the simulated model. Must be in [0.5,1].
#
binaryModelScores <- function(n,basePrecision=0.1,auc=0.6){
# determine parameter of logistic function
k <- calculateK(auc)
res <- data.frame("score"=rep(-1,n),"label"=rep(-1,n))
randUniform = runif(n,0,1)
runIndex <- 1
for(fpRate in randUniform){
tpRate <- roc(fpRate,k)
# slope
slope <- derivRoc(fpRate,k)
labSampleWeights <- c((1-basePrecision)*1,basePrecision*slope)
labSampleWeights <- labSampleWeights/sum(labSampleWeights)
res[runIndex,1] <- 1-fpRate # score
res[runIndex,2] <- sample(c(0,1),1,prob=labSampleWeights) # label
runIndex<-runIndex+1
}
res
}
# min-max-normalization of x (fpr): [0,6] -> [0,1]
transformX <- function(x){
(x-0)/(6-0) * (1-0)+0
}
# inverse min-max-normalization of x (fpr): [0,1] -> [0,6]
invTransformX <- function(invx){
(invx-0)/(1-0) *(6-0) + 0
}
# min-max-normalization of y (tpr): [0.5,logistic(6,k)] -> [0,1]
transformY <- function(y,k){
(y-0.5)/(logistic(6,k)-0.5)*(1-0)+0
}
# logistic function
logistic <- function(x,k){
1/(1+exp(-k*x))
}
# integral of logistic function
intLogistic <- function(x,k){
1/k*log(1+exp(k*x))
}
# derivative of logistic function
derivLogistic <- function(x,k){
numerator <- k*exp(-k*x)
denominator <- (1+exp(-k*x))^2
numerator/denominator
}
# roc-function, mapping fpr to tpr
roc <- function(x,k){
transformY(logistic(invTransformX(x),k),k)
}
# derivative of the roc-function
derivRoc <- function(x,k){
scalFactor <- 6 / (logistic(6,k)-0.5)
derivLogistic(invTransformX(x),k) * scalFactor
}
# calculate the AUC for a given k
calculateAUC <- function(k){
((intLogistic(6,k)-intLogistic(0,k))-(0.5*6))/((logistic(6,k)-0.5)*6)
}
# calculate k for a given auc
calculateK <- function(auc){
f <- function(k){
return(calculateAUC(k)-auc)
}
if(f(0.0001) > 0){
return(0.0001)
}else{
return(uniroot(f,c(0.0001,100))$root)
}
}
# Example
require(ROCR)
x <- seq(0,1,by=0.01)
k <- calculateK(0.6)
plot(x,roc(x,k),type="l",xlab="fpr",ylab="tpr",main=paste("ROC-Curve for AUC=",0.6," <=> k=",k))
dat <- binaryModelScores(1000,basePrecision=0.1,auc=0.6)
pred <- prediction(dat$score,as.factor(dat$label))
performance(pred,measure="auc")@y.values[[1]]
perf <- performance(pred, measure = "tpr", x.measure = "fpr")
plot(perf,main="approximated ROC-Curve (random generated scores)")