为我的 GLM 进行 n 次交叉验证时出现“预测”错误

Question

我正在运行这个函数来进行 n 次交叉验证。错误分类率不会随折叠而变化，例如如果我跑 10 或 50。我也会收到警告：

“警告信息：

'newdata' 有 19 行，但找到的变量有 189 行"

如果我运行代码而不是函数的一部分，它就是我想要的 -> 例如对于 folds==1，它提取 10%，在 90% 的数据上运行模型，并预测另外 10%。 有没有人知道为什么它没有显示变量和折叠次数的变化？

library("MASS")  
data(birthwt)
data=birthwt

n.folds=10

jim = function(x,y,n.folds,data){

  for(i in 1:n.folds){
    folds <- cut(seq(1,nrow(data)),breaks=n.folds,labels=FALSE)      
    testIndexes <- which(folds==i,arr.ind=TRUE)
    testData <- data[testIndexes, ]
    trainData <- data[-testIndexes, ]
    glm.train <- glm(y ~ x, family = binomial, data=trainData)
    predictions=predict(glm.train, newdata =testData, type='response')
    pred.class=ifelse(predictions< 0, 0, 1)
    }

  rate=sum(pred.class!= y) / length(y)
  print(head(rate))
  }

jim(birthwt$smoke, birthwt$low, 10, birthwt)

Answer 1

我现在正在将我的 cmets 变成一个答案。

jim <- function(x, y, n.folds, data) {   

  pred.class <- numeric(0)  ## initially empty; accumulated later
  for(i in 1:n.folds){
    folds <- cut(seq(1,nrow(data)), breaks = n.folds, labels = FALSE)  
    testIndexes <- which(folds == i)  ## no need for `arr.ind = TRUE`
    testData <- data[testIndexes, ]
    trainData <- data[-testIndexes, ]
    ## `reformulate` constructs formula from strings. Read `?reformulate`
    glm.train <- glm(reformulate(x, y), family = binomial, data = trainData)
    predictions <- predict(glm.train, newdata = testData, type = 'response')
    ## accumulate the result using `c()`
    ## change `predictions < 0` to `predictions < 0.5` as `type = response`
    pred.class <- c(pred.class, ifelse(predictions < 0.5, 0, 1))
    }

  ## to access a column with string, use `[[]]` not `$`
  rate <- sum(pred.class!= data[[y]]) / length(data[[y]])
  rate  ## or `return(rate)`
  }

jim("smoke", "low", 10, birthwt)
# [1] 0.3121693

备注：

1. 这里不用arr.ind = TRUE，虽然没有副作用。
2. 您的分类有问题。你设置type = "response"，然后你使用ifelse(predictions < 0, 0, 1)。想想看，pred.class 总是得到 1。
3. for 循环的每次迭代都会覆盖pred.class。我想你想积累结果。 pred.class <- c(pred.class, ifelse(predictions < 0.5, 0, 1))也是如此；
4. 错误使用glm 和predict。将$ 放在模型公式中是错误的。请阅读Predict() - Maybe I'm not understanding it。在这里，我已将您的函数更改为接受变量名（作为字符串），并在 glm 中使用正确的模型公式。请注意，此更改需要将y 和data[[y]] 放在rate = sum(pred.class!= y) / length(y) 中。
5. 您可能希望返回rate 而不仅仅是将其打印到屏幕上。因此，将您的 print 行替换为显式 return(rate) 或隐式 rate。
6. 您可以将ifelse(predictions < 0.5, 0, 1) 替换为as.integer(predictions < 0.5)，尽管我没有在上面更改它。