r - 逆向工程多项逻辑回归数据
问题描述
我正在研究多项逻辑回归问题(即,我想对标称结果变量的一些无序、独立水平进行分类)。我的问题是我知道结果变量的水平(在这个例子中,y=c('a','b','c')
)并且我知道预测变量、它们的水平和它们的类(这里是数字/整数或名义)。我知道每个预测变量和结果之间的近似分布应该是什么(例如,较高的值x
更频繁地出现在 中y='a'
,否则较低的值x
会随机分布在 的其他级别上y
)。
本质上,我想做 4 件事:1) 生成这些变量的数据集,这些变量近似于我指定的分布;2) 对数据运行多项逻辑回归nnet::multinom(y~.,df)
;3)使用得到的模型到predict()
每个y
级别使用新数据的概率;4) 检索概率以进行进一步处理。我对 MLR 模型的准确性或 p 值不感兴趣,因此我不需要将我的数据拆分为训练/测试样本并进行 k 折交叉验证或任何事情。
我最初的想法是,这种基于某些用户指定分布的数据集逆向工程不会太罕见,并且可能有一个R
包/函数可以做到这一点。到目前为止我还没有找到。到目前为止,我的方法如下:针对结果的每个级别手动指定每个预测变量的每个级别的分布,如下所示:
rm(list=ls())
set.seed(123)
# specify vars and levels -- y=outcome var
y <- c('a','b','c')
x <- c(1:5)
p <- c(1:4)
r <- c(1:8)
q <- c('foo','bar','hello','world') # nominal var
# sample data based on user-specified distributions/probs
df1 <- data.frame(x1=sample(x,100,T,prob=c(0.1,0.1,0.2,0.25,0.35)),
y='b')
df2 <- data.frame(x1=sample(x,200,T,prob=c(0.35,0.25,0.2,0.1,0.1)),
y=sample(c('a','c'),200,T))
df <- rbind(df1,df2)
# check distribution of x1 levels v. y levels
table(df$x1,df$y)
b a c
1 7 38 30
2 11 29 26
3 22 17 22
4 26 14 7
5 34 12 5
问题是随着预测变量的数量越来越大并且它们具有更多级别,这很乏味。我的下一个方法是生成随机数据样本,运行 MLR 模型,并调整模型权重。
# create random sample
df <- ldply(mget(ls()),
function(x) sample(x,1000,T)) %>%
gather(k,v,-`.id`) %>%
spread(`.id`,v) %>% select(-k)
str(df)
# change back vars to numeric
df[,c('p','r','x')] <-
apply(df[,c('p','r','x')],2,function(x) as.numeric(x))
glimpse(df)
Observations: 1,000
Variables: 5
$ p <dbl> 2, 2, 3, 1, 3, 2, 2, 4, 2, 4, 4, 3, 2, 4, 1, 4, 2, 1, 4, 3, 1, 3, 4, 3, 2, 2, 3...
$ q <chr> "bar", "bar", "foo", "bar", "world", "hello", "foo", "hello", "world", "hello",...
$ r <dbl> 2, 2, 1, 6, 6, 3, 4, 8, 6, 6, 2, 2, 8, 7, 7, 6, 3, 2, 4, 5, 2, 7, 1, 6, 3, 7, 8...
$ x <dbl> 2, 5, 1, 3, 3, 5, 2, 4, 1, 3, 5, 1, 5, 5, 2, 1, 1, 4, 4, 1, 5, 1, 5, 4, 4, 3, 2...
$ y <chr> "a", "c", "b", "a", "b", "a", "b", "c", "c", "b", "c", "c", "b", "a", "c", "b",...
# graph distribution of each predictor against each outcome -- not run here
# df %>% gather(k,v,-y) %>% group_by(y,k,v) %>%
# summarise(n=n()) %>%
# mutate(prop=n/sum(n)) %>%
# ggplot(aes(y,prop,fill=v)) + geom_bar(stat='identity',position='dodge') +
# facet_wrap(~k,scales='free') + theme(legend.position = 'none')
# run MLR model
m <- multinom(y~.,df)
summary(m)$coefficients
m$wts # coefficients from model
# adjust weight 16, which is x against y=b
m$wts[16] <- 1
但是,当预测变量和级别的数量很大时,这又是乏味的。另外,当我继续更改模型权重和预测新数据时,我得到了一些意想不到的概率(显然,我对 MLR 的了解不够,无法自信地使用这种方法)。
所以,我或多或少地停留在这个阶段。我考虑过使用多种插补或引导方法来生成所需的数据,但我认为这两种方法都不适用。MI 将为不完整案例估算数据,而我想指定有限数量的完整案例并从那里推断。类似地,假设样本分布接近总体分布,自举将重新采样数据。同样,我不知道如何指定有限数量的情况下有效地做到这一点(也许是引导加上排列/改组?)。
无论如何,这里非常感谢任何帮助/建议。感谢任何真正阅读这篇冗长文章的人!
解决方案
因此,我的解决方案是修改随机生成的数据,然后使用修改后的数据(更接近所需分布)来运行 MLR 模型。
我创建了两个函数,一个用于重估数值变量,另一个用于重估名义变量。数值重估函数允许用户指定预测变量值应该重新分布的方向,以及它们是否应该应用或排除结果变量的指定水平。以下功能在问题中包含的示例数据上进行了测试。
然后,当我返回并运行 MLR 模型并预测新数据时,我会得到每个结果的不同概率,这更符合我的预期。
# redistribute values for specific predictors -----------------------------
# at specific levels of outcome var
####
# define function for numeric var
revalue.nums <- function(data,yvar.name,yvar.level,xvar.name,
direction=1, yvar.level.opposite=FALSE){
# evaluate dir==-1 & oppo==T first, then dir==-1 & oppo==F,
# then dir==1 & oppo==T, finally dir==1 & oppo==F
if (direction==-1 & yvar.level.opposite==TRUE) {
data[[xvar.name]][data[[yvar.name]] != yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]] != yvar.level]), T,
prob = c(seq(from=max(get(xvar.name)),
to=min(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else if (direction==-1 & yvar.level.opposite==FALSE) {
data[[xvar.name]][data[[yvar.name]]==yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]]==yvar.level]), T,
prob = c(seq(from=max(get(xvar.name)),
to=min(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else if (direction==1 & yvar.level.opposite==TRUE) {
data[[xvar.name]][data[[yvar.name]] != yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]] != yvar.level]), T,
prob = c(seq(from=min(get(xvar.name)),
to=max(get(xvar.name))) / sum(get(xvar.name))))
return(data)
} else {
data[[xvar.name]][data[[yvar.name]]==yvar.level] <-
sample(get(xvar.name),
length(data[[xvar.name]][data[[yvar.name]]==yvar.level]), T,
prob = c(seq(from=min(get(xvar.name)),
to=max(get(xvar.name))) / sum(get(xvar.name))))
return(data)
}
}
####
# define function
revalue.chars <- function(data,yvar.name,yvar.level,xvar.name,xvar.level,probs=0.25){
data[[xvar.name]][data[[yvar.name]] == yvar.level] <-
sample(sort(sub(xvar.level,'1',get(xvar.name))),
length(data[[xvar.name]][data[[yvar.name]] == yvar.level]), T,
prob = c(probs, rep(probs / (length(get(xvar.name))-1),
rep(length(get(xvar.name))-1))))
data[[xvar.name]][data[[xvar.name]] == '1'] <- xvar.level
return(data)
}
###
# test functions on toy data
table(df$y,df$p) # orig
df1 <- revalue.nums(df,'y','a','p')
table(df1$y,df1$p) # changes y=a only, skew p to have higher values
df1 <- revalue.nums(df1,'y','a','p',yvar.level.opposite = T,direction = -1)
table(df1$y,df1$p) # changes y!=a, skew p to have lower values
table(df$y,df$q)
df2 <- revalue.chars(df,'y','b','q','hello',probs=0.5)
table(df2$y,df2$q) # increase num of q=hello and y=b occurrences
推荐阅读
- java - Android 的 MediaStore 中的 DATA 列还没有被弃用吗?
- r - 使用 R 将字符串的结尾移动到某些行的另一个变量字符串的开头
- cucumber - 在黄瓜的一个特征文件中运行多个背景
- swift - 插入数据时Swift Set类型性能不一致
- javascript - Quasar QDrawer 组件 - 防止关闭
- python - 哨兵日志记录集成可防止发送哨兵事件(Python)
- arrays - 如何在scala中将任何数据类型的数组转换为逗号分隔的字符串
- pandas - 如何从 lambda 的 tmp 文件夹中提取文件 .xlsx
- java - JTable中的自定义组合框不会设置选定的选项
- node.js - wbhook 通过 ngrok 连接到本地 node.js 服务器,服务触发 Webhooks 需要密码吗?