Lift曲线
组件介绍
**“Lift曲线”（Lift Curve）**控件根据随机分类器来衡量所选分类器的性能。
Lift曲线展示了预测为真的实例数量与确实为真的实例数量之间的关系，从而可以确定最佳的分类器及其阈值。图中的 x 轴为累计实例占比，y 轴为累计真阳性（预测正确）实例占比。
- 输入：
- evr：分类器对数据的测试结果
- 输出：
- 无
页面介绍
点击**“Lift曲线”（Lift Curve）**控件查看参数配置页面，如下图所示：
点击**“查看结果”**按钮，查看曲线：
参数选项
| 选项 | 说明 | 取值范围 | 样例值 |
|---|---|---|---|
| 目标类 | 离散目标属性的取值 | 离散目标属性的取值 | 默认选中的值是离散目标属性取值的第一个 |
| 分类器 | 要评估的数据挖掘模型，选择后系统会绘制对应的Lift曲线 | 要评估的数据挖掘模型，支持多选 | |
| 显示升力凸包 | 为所有分类器绘制凸起曲线，曲线显示了每个期望的真阳率/阳率的最佳分类器 | 勾选/不勾选 | 不勾选 |
使用案例
在下图所示的案例中，使用**“加载文件”（File）控件加载数据，使用“K近邻”（KNN）、“决策树”（Tree）、“逻辑回归”（Logistic Regression）等模型在“评分和测试”（Test & Score）控件中进行测试和评估，最后将评估结果在“Lift曲线”（Lift Curve）**控件中进行展示。
案例中加载 titanic 数据集，针对**“K近邻”（KNN）、“决策树”（Tree）、“逻辑回归”（Logistic Regression）算法进行模型测试和评估，“评分和测试”（Test & Score）显示每个分类器的评估结果。然后根据“评分和测试”（Test & Score）的结果绘制升力曲线。在下面的例子中，我们试图看到 titanic 数据集上“幸存者”的预测质量。本例在“评分和测试”（Test & Score）控件中比较了三个分类器，并将结果送发到“Lift曲线”（Lift Curve）**控件以查看其随机模型的性能，从图中可看到决策树是三者中最好的。因此可以将其设置为最优分类的阈值。案例中控件的配置以及执行结果如下图所示。
