在 gbm 多项式分布中，如何使用预测来获得分类输出？ [复制]

Posted 2023-02-16

【中文标题】在 gbm 多项式分布中，如何使用预测来获得分类输出？ [复制]

【英文标题】：In gbm multinomial dist, how to use predict to get categorical output? [duplicate]

【发布时间】：2015-06-09 21:11:51

【问题描述】：

我的响应是一个分类变量（一些字母表），所以我在制作模型时使用了 distribution='multinomial'，现在我想根据这些字母表预测响应并获得输出，而不是概率矩阵.

但是在predict(model, newdata, type='response') 中，它给出了概率，与type='link' 的结果相同。

有没有办法获得分类输出？

BST = gbm(V1~.,data=training,distribution='multinomial',n.trees=2000,interaction.depth=4,cv.folds=5,shrinkage=0.005)

predBST = predict(BST,newdata=test,type='response')

【问题讨论】：

如何选择概率最高的响应？

【参考方案1】：

predict.gbm 文档中提到：

如果 type="response" 则 gbm 转换回与 结果。目前，这将产生的唯一影响是返回 伯努利的概率和泊松的预期计数。为了 其他分布“响应”和“链接”返回相同。

正如 Dominic 所建议的，您应该做的是，通过对预测的向量输出执行 apply(.., 1, which.max)，从生成的 predBST 矩阵中选择概率最高的响应。 这是iris 数据集的代码示例：

library(gbm)

data(iris)

df <- iris[,-c(1)] # remove index

df <- df[sample(nrow(df)),]  # shuffle

df.train <- df[1:100,]
df.test <- df[101:150,]

BST = gbm(Species~.,data=df.train,
         distribution='multinomial',
         n.trees=200,
         interaction.depth=4,
         #cv.folds=5,
         shrinkage=0.005)

predBST = predict(BST,n.trees=200, newdata=df.test,type='response')

p.predBST <- apply(predBST, 1, which.max)

> predBST[1:6,,]
     setosa versicolor  virginica
[1,] 0.89010862 0.05501921 0.05487217
[2,] 0.09370400 0.45616148 0.45013452
[3,] 0.05476228 0.05968445 0.88555327
[4,] 0.05452803 0.06006513 0.88540684
[5,] 0.05393377 0.06735331 0.87871292
[6,] 0.05416855 0.06548646 0.88034499

 > head(p.predBST)
 [1] 1 2 3 3 3 3

【讨论】：

这真的很有帮助，非常感谢！

并转换为可以使用的类标签：colnames(predBST)[p.predBST]

非常有帮助，谢谢！