R로 ROC 곡선 분석하기

R로 ROC 곡선 분석하기

R에서도 머신러닝이 되는만큼 모델 평가 중 하나인 ROC 곡선 분석을 할 수 있습니다. pROC 패키지로 가능한데요. 다만, pROC패키지는 2진 분류만 가능합니다.

예제로 간단하게 iris 데이터를 이진분류를 한 후 ROC 곡선으로 평가해보겠습니다.

iris를 이용한 ROC 곡선 평가

먼저, iris는 세가지 클래스(setosa,versicolor,virginica)를 포함하고 있으므로, 두개의 클래스로 변환후 이진 분류를 수행합니다. roc는 0,1로 된 범주형 변수로 되어야 하므로 맞게 변환합니다.

   # 필요한 패키지 로드
   library(pROC)

   # versicolor와 virginica만 선택
   iris_binary <- subset(iris, Species %in% c("versicolor", "virginica"))

    # Species를 이진형 변수로 변환
    iris_binary$Species <- factor(iris_binary$Species, levels = c("versicolor", "virginica"))

    # 0과 1로 변환
    iris_binary$Species_binary <- as.numeric(iris_binary$Species) - 1


   # 데이터 확인
   head(iris_binary)

 

versicolor,virginica 으로 나누고 Species_binary에 0,1로 다시 표현했습니다.

이제 분류 모델인 로지스틱 회귀 모델을 이용하여 진행합니다.

 # 로지스틱 회귀 모델 생성
   model <- glm(Species ~ Petal.Length + Petal.Width, data = iris_binary, family = binomial)

   # 모델 요약
   summary(model)

 

Roc로 평가

# 예측
  iris_binary$predicted_prob <- predict(model, type = "response")

# roc 함수 사용
roc_curve <- roc(response = iris_binary$Species_binary, predictor = iris_binary$predicted_prob)

# ROC 곡선 그리기
plot(roc_curve, col = "blue", main = "ROC Curve for Logistic Regression Model")

# AUC 값 출력
auc_value <- auc(roc_curve)
print(paste("AUC:", auc_value))

 

프롬프트에는 AUC가 나오고 오른쪽 하단 그림에는 아래와 같이 나옵니다.

 

 

AUC 가 1에 가까울수록 성능이 좋은 모델입니다. 현재 예제는 0.9972로 성능이 너무 좋습니다. 과대적합이 된 것 같긴 하다만 예제니까요. 분야마다 다르겠지만 보통 0.7~0.8정도 나오면 아주 훌륭한 모델이니 참고가 되셨으면 좋겠네요.

마치며

R로 ROC로 성능평가를 해봤습니다. 이진 분류만 가능한게 아쉽지만 코드가 아주 간편하니 활용해보시기 바랍니다.

 

함께 보면 좋은 글

 

R studio 패키지 설치 오류 모음

 

[머신러닝] 지도학습 성능 평가방법 총정리

 

[머신러닝] 혼동행렬(Confusion matrix)