Skip to contents

Evaluate an SDM

Source: R/evaluate_sdm.R
evaluate_sdm.Rd

Returns various evaluation metrics from predicts::pa_evaluate() and flexsdm::sdm_eval().

Usage

evaluate_sdm(m, p_test, b_test, do_gc = FALSE, ...)

Arguments

m

SDM result within tune_sdm()

p_test

Presence test data generated within tune_sdm()

b_test

Background test data generated within tune_sdm()

do_gc

Logical. Run base::rm(list = ls) and base::gc() at end of function? Useful when running SDMs for many, many taxa, especially if done in parallel. Note, actually usees rm(list = ls(pattern = "^[^e$]")).

...

Passed to both terra::predict() and predicts::pa_evaluate()

Value

paModelEvaluation (see predicts::pa_evaluate()) with extra metrics from flexsdm::sdm_eval(): AUC as auc_po_flexsdm; BOYCE as CBI; CBI_rescale (CBI is -1 to 1, CBI_rescale is 0 to 1); and IMAE.

Examples


  out_dir <- file.path(system.file(package = "envSDM"), "examples")

  source(fs::path(out_dir, "tune_sdm_ex.R")) # make sure following prep file exists

  prep <- rio::import(fs::path(data$out_dir[[1]], "prep.rds"), trust = TRUE)

  model <- tune_sdm(prep = prep
                    , out_dir = FALSE
                    , return_val = "object"
                    , algo = "rf"
                    , trees = 500
                    , mtry = 2
                    , nodesize = 1
                    , keep_model = TRUE
                    )
#> tuning chg with algorithms: rf
#> out_dir is C:/temp/nige\RtmpCQ11ZL\file30043e5a2805
#> rf tune
#> tune rf ■■■■■                             13% |  ETA:  8s
#> tune rf ■■■■■■                            17% |  ETA:  7s
#> tune rf ■■■■■■■■                          22% |  ETA:  6s
#> tune rf ■■■■■■■■■                         26% |  ETA:  6s
#> tune rf ■■■■■■■■■■                        30% |  ETA:  5s
#> tune rf ■■■■■■■■■■■                       35% |  ETA:  5s
#> tune rf ■■■■■■■■■■■■■                     39% |  ETA:  4s
#> tune rf ■■■■■■■■■■■■■■                    43% |  ETA:  4s
#> tune rf ■■■■■■■■■■■■■■■                   48% |  ETA:  3s
#> tune rf ■■■■■■■■■■■■■■■■■                 52% |  ETA:  3s
#> tune rf ■■■■■■■■■■■■■■■■■■                57% |  ETA:  3s
#> tune rf ■■■■■■■■■■■■■■■■■■■               61% |  ETA:  3s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■             65% |  ETA:  2s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■            70% |  ETA:  2s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■           74% |  ETA:  2s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■■          78% |  ETA:  1s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■■■■        83% |  ETA:  1s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■■■■■       87% |  ETA:  1s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■■■■■■      91% |  ETA:  1s
#> tune rf ■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■    96% |  ETA:  0s

  presences <- prep$testing$testing[[1]][prep$testing$testing[[1]]$pa == 1, ]
  background <- prep$testing$testing[[1]][prep$testing$testing[[1]]$pa == 0, ]

  evaluate_sdm(model$tune_rf$m[[1]]
               , p_test = presences
               , b_test = background
               )
#> @stats
#>   np   na prevalence  auc   cor pcor   ODP auc_po auc_po_flexsdm   CBI
#> 1 92 5103      0.018 0.93 0.282    0 0.982   0.93           0.93 0.964
#>   CBI_rescale  IMAE
#> 1       0.982 0.794
#> 
#> @thresholds
#>   max_kappa max_spec_sens no_omission equal_prevalence equal_sens_spec  or10
#> 1      0.92          0.39       0.302            0.018            0.49 0.394
#> 
#> @tr_stats
#>     treshold kappa  CCR  TPR  TNR  FPR  FNR  PPP  NPP  MCR  OR
#> 1          0     0 0.02    1    0    1    0 0.02  NaN 0.98 NaN
#> 2          0     0  0.1    1 0.09 0.91    0 0.02    1  0.9 Inf
#> 3          0  0.01 0.16    1 0.14 0.86    0 0.02    1 0.84 Inf
#> 4        ...   ...  ...  ...  ...  ...  ...  ...  ...  ... ...
#> 444        1  0.08 0.98 0.04    1    0 0.96    1 0.98 0.02 Inf
#> 445        1  0.08 0.98 0.04    1    0 0.96    1 0.98 0.02 Inf
#> 446        1     0 0.98    0    1    0    1  NaN 0.98 0.02 NaN