Определение чувствительности и специфичности комбинации маркеров Опции

[Zaycho]

Здравствуйте!

Есть задача определить диагностическую ценность ряда маркеров (допустим, А, В и С) и их комбинаций в диагностике некоторого заболевания.
Я расчитал все параметры (чувствительность, специфичность, PPV, NPV, LR) и построил в SPSS ROC-кривые отдельно для А, В и С.
Как теперь сделать то же самое для комбинаций этих маркеров, допустим, А+В и В+С? Где копать?

Заранее огромное спасибо!

[Диана]

Факторы риска:
2
3
5
17
20
22 - 34
64
68
70
73
колонки 44-46 закодировала 0/1(44А, 45А,46А)
предикторы
44А
45А
46А
118
извините, что не сохранила файл в старом формате
Заранее спасибо

Сообщение отредактировал Диана - 9.09.2012 - 22:26

[p2004r]

Факторы риска:
2
3
5
17
20
22 - 34
64
68
70
73
колонки 44-46 закодировала 0/1(44А, 45А,46А)
предикторы
44А
45А
46А
118
извините, что не сохранила файл в старом формате
Заранее спасибо

вот это --- "колонки 44-46 закодировала 0/1(44А, 45А,46А)" было сделано зря. В таком виде никакого разделения практически нет. надо вернуть прежнюю шкалу и тогда (как мне кажется) удастся построить с помощью случайного леса регрессию.

118 дал разделение

Код

> data2.varset1.impute.X118<-rfImpute(data2.varset1,factor(data2$X118), iter=5)
ntree      OOB      1      2
  300:  16.84% 10.91% 25.00%
ntree      OOB      1      2
  300:  22.11% 14.55% 32.50%
ntree      OOB      1      2
  300:  21.05% 12.73% 32.50%
ntree      OOB      1      2
  300:  20.00% 12.73% 30.00%
ntree      OOB      1      2
  300:  20.00% 12.73% 30.00%
> rf.data2.varset1.impute.X118.best<-tuneRF(data2.varset1.impute.X118[,-1],factor(data2$X118), proximity=TRUE, doBest=TRUE)
mtry = 4  OOB error = 24.21%
Searching left ...
mtry = 2     OOB error = 23.16%
0.04347826 0.05
Searching right ...
mtry = 8     OOB error = 22.11%
0.08695652 0.05
mtry = 16     OOB error = 20%
0.0952381 0.05
mtry = 22     OOB error = 23.16%
-0.1578947 0.05
> rf.data2.varset1.impute.X118.best

Call:
randomForest(x = x, y = y, mtry = res[which.min(res[, 2]), 1],      proximity = TRUE)
               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 16

        OOB estimate of  error rate: 20%
Confusion matrix:
   0  1 class.error
0 46  9   0.1636364
1 10 30   0.2500000
> MDSplot(rf.data2.varset1.impute.X118.best, factor(data2$X118), k=3)
> varImpPlot(rf.data2.varset1.impute.X118.best)
> plot(importance(rf.data2.varset1.impute.X118.best),varUsed(rf.data2.varset1.impute.X118.best))
> text(importance(rf.data2.varset1.impute.X118.best),varUsed(rf.data2.varset1.impute.X118.best), labels= names(data2.varset1.impute.X118[,-1]), pos=4)

имеет значение только

[30,] "X30" "прех.ишем.послеопер"
[3,] "X3" "возраст"

что вполне подтверждается графиком

> mosaicplot(table(data2$X30, cut(data2$X3, hist(data2$X3, plot=FALSE)$breaks), data2$X118))

Оценим пригодность модели для диагностики с помощью ROC.

Код

> plot(roc(data2$X118, rf.data2.varset1.impute.X118.best$votes[,2]), print.auc=TRUE)

Call:
roc.default(response = data2$X118, predictor = rf.data2.varset1.impute.X118.best$votes[,     2])

Data: rf.data2.varset1.impute.X118.best$votes[, 2] in 55 controls (data2$X118 0) < 40 cases (data2$X118 1).
Area under the curve: 0.8111

Судя по области решения, которую надо вырезать в пространстве сформированном mds по восстановленным случайным лесом расстояниям между экспериментальными случаями, лучше с разделением справится svm. Случайный лес похоже не дотягивается до случаев со средним возрастом из основной группы.

Сообщение отредактировал p2004r - 18.08.2012 - 13:35

Эскизы прикрепленных изображений