在调整模型时生成的ROC/Sens/Spec与模型在相同数据集上的实际预测之间似乎存在差异。我使用的是caret，它使用了kernlab的ksvm。对于glm，我没有遇到这个问题。
data(iris)library(caret)iris <- subset(iris,Species == "versicolor" | Species == "setosa") # 我们只需要两个输出类别iris$noise <- runif(nrow(iris)) # 添加噪声 - 否则模型会过于“完美”iris$Species <- factor(iris$Species)fitControl <- trainControl(method = "repeatedcv",number = 10, repeats = 5, savePredictions = TRUE, classProbs = TRUE, summaryFunction = twoClassSummary)ir <- train(Species ~ Sepal.Length + noise, data=iris,method = "svmRadial", preProc = c("center", "scale"), trControl=fitControl,metric="ROC")confusionMatrix(predict(ir), iris$Species, positive = "setosa")getTrainperf(ir) # 与模型摘要中的相同这种差异的来源是什么？哪些是“真实的”，经过交叉验证后的预测？
回答：
函数getTrainPerf似乎提供了在重复交叉验证折叠中平均的最佳调整参数的平均性能结果。
getTrainPerf的工作方式如下：
getTrainPerf(ir) # TrainROC TrainSens TrainSpec method#1 0.9096 0.844 0.884 svmRadial这是通过以下方式实现的：
ir$results# sigma C ROC Sens Spec ROCSD SensSD SpecSD#1 0.7856182 0.25 0.9064 0.860 0.888 0.09306044 0.1355262 0.1222911#2 0.7856182 0.50 0.9096 0.844 0.884 0.08882360 0.1473023 0.1218229#3 0.7856182 1.00 0.8968 0.836 0.884 0.09146071 0.1495026 0.1218229ir$bestTune# sigma C#2 0.7856182 0.5merge(ir$results, ir$bestTune)# sigma C ROC Sens Spec ROCSD SensSD SpecSD#1 0.7856182 0.5 0.9096 0.844 0.884 0.0888236 0.1473023 0.1218229这些也可以从交叉验证折叠的性能结果中获得（10个折叠，5次重复，总共10*5=50个每个性能度量的值）。
colMeans(ir$resample[1:3])# ROC Sens Spec # 0.9096 0.8440 0.8840 因此，getTrainPerf仅提供了在不同时间用于验证的数据折叠上的交叉验证性能的摘要（不是在整个训练数据集上），使用的是最佳调整参数（sigma, C）。
但是，如果你想在整个训练数据集上进行预测，你需要使用调整后的模型的predict函数。
