web-dev-qa-db-ja.com

glm（）モデルの相互検証

以前にRで作成したいくつかのglmモデルに対して10分割交差検証を実行しようとしています。bootパッケージのcv.glm()関数について少し混乱しています。私はたくさんのヘルプファイルを読みましたが。次の式を提供すると：

library(boot)
cv.glm(data, glmfit, K=10)

ここでの「data」引数は、データセット全体を参照しますか、それともテストセットのみを参照しますか？

これまでに見た例では、テストセットとして「data」引数を提供していますが、同じテストセットで10倍になるのはなぜかなど、実際には意味がありませんでした。それらはすべてまったく同じ結果をもたらすでしょう（私は推測します！）。

残念ながら、?cv.glmはそれを霧のように説明しています：

data：データを含むマトリックスまたはデータフレーム。行はケースである必要があり、列は変数に対応し、その1つが応答です

私の他の質問は、$delta[1]の結果についてです。これは、10回の試行にわたる平均予測誤差ですか？フォールドごとにエラーを取得したい場合はどうすればよいですか？

スクリプトは次のようになります。

##data partitioning
sub <- sample(nrow(data), floor(nrow(x) * 0.9))
training <- data[sub, ]
testing <- data[-sub, ]

##model building
model <- glm(formula = groupcol ~ var1 + var2 + var3,
        family = "binomial", data = training)

##cross-validation
cv.glm(testing, model, K=10)
rpartitioningpredictionglmcross-validation
12
Error404

私は常に、さまざまなパッケージの10分割交差検証法の使用に少し注意を払っています。機械学習パッケージのテストパーティションとトレーニングパーティションを手動で作成するための独自の簡単なスクリプトがあります。

#Randomly shuffle the data
yourData<-yourData[sample(nrow(yourData)),]

#Create 10 equally size folds
folds <- cut(seq(1,nrow(yourData)),breaks=10,labels=FALSE)

#Perform 10 fold cross validation
for(i in 1:10){
    #Segement your data by fold using the which() function 
    testIndexes <- which(folds==i,arr.ind=TRUE)
    testData <- yourData[testIndexes, ]
    trainData <- yourData[-testIndexes, ]
    #Use test and train data partitions however you desire...
}
14
Jake Drew

@Romanはコメントでいくつかの回答を提供しましたが、あなたの質問への回答はcv.glmでコードを調べることによって提供されます。

このコードは、設定されたデータをランダムにKフォールドに分割し、Kがnを分割しない場合は、必要に応じて丸めを調整すると思います。

if ((K > n) || (K <= 1)) 
    stop("'K' outside allowable range")
K.o <- K
K <- round(K)
kvals <- unique(round(n/(1L:floor(n/2))))
temp <- abs(kvals - K)
if (!any(temp == 0)) 
    K <- kvals[temp == min(temp)][1L]
if (K != K.o) 
    warning(gettextf("'K' has been set to %f", K), domain = NA)
f <- ceiling(n/K)
s <- sample0(rep(1L:K, f), n)

ここでのこのビットは、デルタ値が二乗平均平方根誤差ではないことを示しています。ヘルプファイルにThe default is the average squared error function.と書かれているように、これはどういう意味ですか？これは、関数宣言を調べることで確認できます。

function (data, glmfit, cost = function(y, yhat) mean((y - yhat)^2), 
    K = n)

これは、各フォールド内で、誤差の2乗の平均を計算することを示しています。ここで、誤差は、予測された応答と実際の応答の間の通常の意味です。

delta[1]は、単純に 加重平均 各フォールドのこれらすべての用語の合計です。cv.glmのコードのインラインコメントを参照してください。

for (i in seq_len(ms)) {
    j.out <- seq_len(n)[(s == i)]
    j.in <- seq_len(n)[(s != i)]
    Call$data <- data[j.in, , drop = FALSE]
    d.glm <- eval.parent(Call)
    p.alpha <- n.s[i]/n #create weighted average for later
    cost.i <- cost(glm.y[j.out], predict(d.glm, data[j.out, 
        , drop = FALSE], type = "response"))
    CV <- CV + p.alpha * cost.i # add weighted average error to running total
    cost.0 <- cost.0 - p.alpha * cost(glm.y, predict(d.glm, 
        data, type = "response"))
}
6
Alex