Predict Logistf

Question

私はlogistfと呼ばれるRパッケージを使用してLogistc回帰を行い、このパッケージの新しいデータの予測関数はないことを知り、これでパッケージが動作しないことを知りました。

fit<-logistf(Tax ~ L20+L24+L28+L29+L31+L32+L33+L36+S10+S15+S16+S17+S20, data=trainData) 
betas <- coef(fit) 
X <- model.matrix(fit, data=testData) 
probs <- 1/(1 + exp(-X %*% betas)) 

が、私は$を予測フィットこの使用と相互検証バージョンを作りたいとちゃったごめんなさいが私のために生成する確率：新しいデータでこれを行います。誰もこれまでにこのようなことをやったことがありますか？私が知りたい

他のものは、およそフィット$私はバイナリロジスティック回帰を作ってるんだを予測しており、この機能は多くの値を返し、私はこれを知ることができるか、クラス0または1からこれらの値は、ありますか？おかげ

Answer 1

あなたは完璧な作品を書いたコードは、簡潔な一見同じ結果を得るための方法がありますが：CVについて

brglm_model <- brglm(formula = response ~ predictor , family = "binomial", data = train) 
brglm_pred <- predict(object = brglm_model, newdata = test , type = "response") 

が、あなたは私が推測する数行のコードを記述する必要があります。

#Setting the number of folds, and number of instances in each fold 
n_folds <- 5 
fold_size <- nrow(dataset) %/% 5 
residual <- nrow(dataset) %% 5 

#label the instances based on the number of folds 
cv_labels <- c(rep(1,fold_size),rep(2,fold_size), rep(3,fold_size), rep(4,fold_size), rep(5,fold_size), rep(5,residual)) 

# the error term would differ based on each threshold value 
t_seq <- seq(0.1,0.9,by = 0.1) 
index_mat <- matrix(ncol = (n_folds+1) , nrow = length(t_seq)) 
index_mat[,1] <- t_seq 

# the main loop for calculation of the CV error on each fold 
for (i in 1:5){ 
     train <- dataset %>% filter(cv_labels != i) 
     test <- dataset %>% filter(cv_labels == i) 

     brglm_cv_model <- brglm(formula = response_var ~ . , family = "binomial", data = train) 
     brglm_cv_pred <- predict(object = brglm_model, newdata = test , type = "response") 

     # error formula that you want, e.g. misclassification 
     counter <- 0 

     for (treshold in t_seq) { 
       counter <- counter + 1 
       conf_mat <- table(factor(test$response_var) , factor(brglm_cv_pred>treshold, levels = c("FALSE","TRUE"))) 

       sen <- conf_mat[2,2]/sum(conf_mat[2,]) 

       # other indices can be computed as follows 
       #spec <- conf_mat[1,1]/sum(conf_mat[1,]) 
       #prec <- conf_mat[2,2]/sum(conf_mat[,2]) 
       #F1 <- (2*prec * sen)/(prec+sen) 
       #accuracy <- (conf_mat[1,1]+conf_mat[2,2])/sum(conf_mat) 

       #here I am only interested in sensitivity 
       index_mat[counter,(i+1)] <- sen 

     } 

} 

# final data.frame would be the mean of sensitivity over each threshold value 
final_mat <- matrix(nrow = length(t_seq), ncol = 2) 
final_mat[,1] <- t_seq 
final_mat[,2] <- apply(X = index_mat[,-1] , MARGIN = 1 , FUN = mean) 
final_mat <- data.frame(final_mat) 
colnames(final_mat) <- c("treshold","sensitivity") 

#why not having a look at the CV-sensitivity of the model over threshold values? 
ggplot(data = final_mat) + 
     geom_line(aes(x = treshold, y = sensitivity), color = "blue")