Specialty plots

Overview

Teaching: 0 min
Exercises: 0 min

Questions

• ROC

Objectives

• FIXME

Special ting, vi prøver at holde det til ting der ikke er dækket af de øvrige; til plots der bruges i ganske særlige sammenhænge.

Kig på ggsurvfit pakken

spectra

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

Primært er det vist de stat_ functioner der følger med der er interessante.

install.packages("ggspectra")

Installing package into '/home/runner/work/_temp/Library'
(as 'lib' is unspecified)

library(ggspectra)

Loading required package: photobiology

News at https://www.r4photobiology.info/

Loading required package: ggplot2

ggplot(sun.spct)  +
  geom_line() +
  ggspectra::stat_valleys()

plot of chunk unnamed-chunk-2

ROC curves

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

Men hvordan hænger de data sammen med det plot?

Vi har en kontinuert værdi. Den bruger vi til at forudsige et binært outcome.

Oprindelsen har rødder til radar-operatører i England under anden verdenskrig. Der var input fra radarene. Baseret på dem forsøgte man at skelne. Var det tyske bombefly? Eller var det ikke? I sidste tilfælde var det ofte gæs.

Der er to mulige fejl. Enten siger man tyskere når det var gæs. Eller også siger man gæs når det var tyskere. Den ene er falsk positiv. Den anden er falsk negativ. Fortegnet er styret af hvad man prøver at opdage.

Nogle radar-operatører var bedre end andre. ROC-kurven giver os et værktøj til at sætte tal på forskellen.

Vi bruger pakken plotROC. eller - det gør vi måske ikke. Jo, det gør vi!

Vi skal have noget data:

set.seed(47)
D.ex <- rbinom(200, size = 1, prob = .5)
M1 <- rnorm(200, mean = D.ex, sd = .65)
#M2 <- rnorm(200, mean = D.ex, sd = 1.5)

test <- data.frame(D = D.ex, D.str = c("Gås", "Tysker")[D.ex + 1], 
                   M1 = M1, stringsAsFactors = FALSE)

head(test)

  D  D.str         M1
1 1 Tysker  0.9073656
2 0    Gås -0.3025575
3 1 Tysker  0.7239910
4 1 Tysker  1.4857584
5 1 Tysker  1.4286289
6 1 Tysker  1.1292391

hvad er det vi har?

library(plotROC)
test %>% ggplot(aes(d = D, m = M1)) +
  geom_roc()

Error in test %>% ggplot(aes(d = D, m = M1)): could not find function "%>%"

Når vi laver logistiske regressioner, forsøger vi at fitte en model til en virkelighed hvor vores responsvariabel er binær. Ja/nej, sand/falsk.

I analysen af hvordan radaroperatører under anden verdenskrig klarede sig, opfandt man denne metode. Vi ser noget på en skærm. Vi ser mange forskellige input på en skærm. Vurder om det er en tysk bombemaskine på vej mod London, eller en flok gæs.

Der er to interessante ting. Sensitiviteten. Sandsynligheden for at vi beslutter os for at det er tyskere, når det faktisk er tyskere.

Specificiteten, Sandsynligheden for at vi beslutter os for at det er gæs, når det faktisk er gæs.

Der er subtile forskelle mellem de to.

Den ideelle model har en sensitivitet på 1. Og en specificitet på 1.

Vi skal starte med at have noget data, før vi kan plotte en roc-kurve. Hvis ikke du har det data, så kom igen når du har det.

AUC, ROC,

survival, den slags.

Survival plots

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

manhattan plots

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

scree plots

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

biplots - pca

What are they?

What do we use them for?

how do we make them?

Interesting variations

Think about

Key Points

• FIXME