Sürekli bir yordayıcıya karşı ikili sonuçları nasıl görselleştiriyorsunuz?

Görselleştirmem gereken bazı verilerim var ve bunu en iyi nasıl yapacağımdan emin değilim. Bazı temel öğeleri ile ilgili ve çıktıları var . Şimdi yöntemimin düşük frekanslı öğeleri ne kadar iyi bulduğunu (yani 1 sonuç) çizmem gerekiyor. Başlangıçta sadece bir x-ekseni frekansı ve 0-1 ay ekseni ile nokta çizimleri vardı, ama korkunç görünüyordu (özellikle iki yöntemden verileri karşılaştırırken). Yani, her bir maddenin bir sonucu vardır (0/1) ve sıklığına göre sıralanır.F = { f 1 , ⋯ , f n } O ∈ { 0 , 1 } n q ∈ $Q = \{ q_1, \cdots, q_n \}$$F = \{f_1, \cdots, f_n \}$$O \in \{0,1\}^n$$q \in Q$

İşte tek bir yöntemin sonuçları olan bir örnek:

Bir sonraki fikrim, verileri aralıklara bölmek ve aralıklar üzerinde yerel bir duyarlılık hesaplamaktı, ancak bu fikirdeki sorun, frekans dağılımının tekdüze olması değil. Peki aralıkları en iyi nasıl seçmeliyim?

Herkes nadir (yani, çok düşük frekanslı) öğeler bulmanın etkinliğini tasvir etmek için bu tür verileri görselleştirmenin daha iyi / daha yararlı bir yolunu biliyor mu?

EDIT: Daha somut olmak için, bazı yöntemlerin belirli bir popülasyonun biyolojik sekanslarını yeniden yapılandırma yeteneğini sergiliyorum. Simüle edilmiş veri kullanarak doğrulama için, bolluğundan (frekans) bağımsız olarak varyantları yeniden oluşturma yeteneğini göstermem gerekiyor. Bu durumda, cevaplarına göre sıralanan ve bulunmayan öğeleri görselleştiriyorum. Bu grafik olmayan yeniden yapılandırılmış varyantları içermeyecektir .$Q$

Geçmişte yaptığım temelde bir lös ilavesi ile yaptığınız şey . Noktaların yoğunluğuna bağlı olarak, aşağıda gösterildiği gibi yarı saydam noktalar (alfa) ve / veya örtüşmeyi en aza indirmek için boru sembolleri ("|") kullanacağım.

library(ggplot2) # plotting package for R

N=100
data=data.frame(Q=seq(N), Freq=runif(N,0,1), Success=sample(seq(0,1), 
size=N, replace=TRUE))

ggplot(data, aes(x=Freq, y=Success))+geom_point(size=2, alpha=0.4)+
  stat_smooth(method="loess", colour="blue", size=1.5)+
  xlab("Frequency")+
  ylab("Probability of Detection")+
  theme_bw()

(Hata çubuklarının burada kenarlarda genişlemesi gerektiğini düşünmüyorum, ancak bunu ggplot'un dahili stat_smooth işleviyle yapmanın kolay bir yolu yok. R'deki realler için bu yöntemi kullandıysanız, yapabiliriz çizmeden önce löseyi ve hata çubuğunu tahmin ederek.)

( Düzenleme: Ve verinin yoğunluğu onu faydalı kılıyorsa dikey titremeyi denemeye ilişkin Andy W.'den yorumlar ve artılar Mimshot'tan uygun güven aralıkları hakkında.)

Ayrıca hangi ölçeklerin kullanım durumunuz için en uygun olduğunu düşünün. Lojistik regresyonda modelleme amacıyla görsel inceleme yaptığınızı ve modelinize spline veya polinom terimi eklemeniz gerekip gerekmediğini belirlemek için sürekli bir öngörücüyü görselleştirmek istediğinizi varsayalım. Bu durumda, olasılık / orantı yerine günlük oranlarında bir ölçek isteyebilirsiniz.

Kullanımlara bazı sınırlı sezgiseller altında özünden de işlev, sonra ihtimalli giriş yapmasına dönüştürmek ortalama oranı hesaplamak, bidonları içine sürekli öngorücunun bölmek çizmek için geom_smoothbu agrega noktaları üzerinde.

Bir eş değişkenin ikili hedefin log-olasılıkları ile kuadratik bir ilişkisi (+ gürültü) varsa, bu grafiğin nasıl görüneceğine örnek:

devtools::source_gist("https://gist.github.com/brshallo/3ccb8e12a3519b05ec41ca93500aa4b3")

# simulated dataset with quadratic relationship between x and y
set.seed(12)
samp_size <- 1000
simulated_df <- tibble(x = rlogis(samp_size), 
                       y_odds = 0.2*x^2,
                       y_probs = exp(y_odds)/(1 + exp(y_odds))) %>% 
  mutate(y = rbinom(samp_size, 1, prob = y_probs)) 

# looking at on balanced dataset
simulated_df_balanced <- simulated_df %>% 
  group_by(y) %>% 
  sample_n(table(simulated_df$y) %>% min())


ggplot_continuous_binary(df = simulated_df,
                         covariate = x, 
                         response = y,
                         snip_scales = TRUE)
#> [1] "bin size: 18"
#> `geom_smooth()` using method = 'loess' and formula 'y ~ x'

^{2019-02-06 tarihinde reprex paketi tarafından oluşturuldu (v0.2.1)}

Karşılaştırma için, 1 / 0'ları yeni çizdiyseniz ve bir geom_smooth:

simulated_df %>% 
  ggplot(aes(x, y))+
  geom_smooth()+
  geom_jitter(height = 0.01, width = 0)+
  coord_cartesian(ylim = c(0, 1), xlim = c(-3.76, 3.59))
# set xlim to be generally consistent with prior chart
#> `geom_smooth()` using method = 'gam' and formula 'y ~ s(x, bs = "cs")'

^{2019-02-25 tarihinde reprex paketi tarafından oluşturuldu (v0.2.1)}

Logit ile olan ilişki daha az açıktır ve kullanmanın geom_smoothbazı sorunları vardır.

Yalnızca birkaç satırlık örnek veri göndermenin uzun bir yol kat edeceğini kabul ediyorum. Soruyu anlarsam, frekansı bulunan orana göre çizmenin en basit yolu olacağını düşünüyorum.

İlk önce R'de bazı örnek veriler üreteceğim; seni doğru anlamadıysam lütfen beni düzeltin.

# Create some sample data
data=data.frame(Q=1:20,F=seq(5,100,by=5))
set.seed(1)
data$found<-round(sapply(data$F,function(x) runif(1,1,x)))
data$prop<-data$found/data$F
# Looks like:
Q   F found      prop
1   1   5     2 0.4000000
2   2  10     4 0.4000000
3   3  15     9 0.6000000
4   4  20    18 0.9000000
5   5  25     6 0.2400000
6   6  30    27 0.9000000
7   7  35    33 0.9428571
8   8  40    27 0.6750000
9   9  45    29 0.6444444
10 10  50     4 0.0800000
11 11  55    12 0.2181818
12 12  60    11 0.1833333
13 13  65    45 0.6923077
14 14  70    28 0.4000000
15 15  75    58 0.7733333
16 16  80    40 0.5000000
17 17  85    61 0.7176471
18 18  90    89 0.9888889
19 19  95    37 0.3894737
20 20 100    78 0.7800000

Ve şimdi frekansı ( F) şuna göre çizin proportion:

# Plot frequency by proportion found.
plot(data$F,data$prop,xlab='Frequency',ylab='Proportion Found',type='l',col='red',lwd=2)