¿Cómo usar R gbm con distribution = "adaboost"?

9

La documentación establece que R gbm with distribution = "adaboost" se puede usar para problemas de clasificación 0-1. Considere el siguiente fragmento de código:

gbm_algorithm <- gbm(y ~ ., data = train_dataset, distribution = "adaboost", n.trees = 5000)
gbm_predicted <- predict(gbm_algorithm, test_dataset, n.trees = 5000)

Se puede encontrar en la documentación que predic.gbm

Devuelve un vector de predicciones. Por defecto, las predicciones están en la escala de f (x).

Sin embargo, la escala particular no está clara para el caso de distribución = "adaboost".

¿Alguien podría ayudar con la interpretación de predic.gbm valores de retorno y proporcionar una idea de conversión a la salida 0-1?

r gbm Alexey Lakhno
fuente
Esta pregunta parece ser solo sobre cómo interpretar la salida de R, y no sobre los problemas estadísticos relacionados (aunque eso no lo convierte en una mala Q). Como tal, es mejor preguntar, y probablemente responder, en Stack Overflow , en lugar de aquí. No publique mensajes cruzados (SE desaconseja esto), si desea que su Q se migre más rápido, márquela para la atención del moderador.
gung - Restablece a Monica
44
@gung me parece una pregunta estadística legítima. El paquete GBM proporciona la desviación utilizada para Adaboost, pero tampoco me queda claro qué es f (x) y cómo volver a transformar a una escala de probabilidad (tal vez uno tiene que usar la escala de Platt). cran.r-project.org/web/packages/gbm/vignettes/gbm.pdf
B_Miner

Respuestas:

11

El método adaboost da las predicciones en escala logit. Puede convertirlo a la salida 0-1:

gbm_predicted<-plogis(2*gbm_predicted)

tenga en cuenta el 2 * dentro del logis

razgon
fuente
10

También puede obtener directamente las probabilidades de la predict.gbmfunción;

predict(gbm_algorithm, test_dataset, n.trees = 5000, type = 'response')
Edwin
fuente
3

La función de enlace adaboost se describe aquí . Este ejemplo proporciona una descripción detallada del cálculo:

library(gbm);
set.seed(123);
n          <- 1000;
sim.df     <- data.frame(x.1 = sample(0:1, n, replace=TRUE), 
                         x.2 = sample(0:1, n,    replace=TRUE));
prob.array <- c(0.9, 0.7, 0.2, 0.8);
df$y       <- rbinom(n, size = 1, prob=prob.array[1+sim.df$x.1+2*sim.df$x.2])
n.trees    <- 10;
shrinkage  <- 0.01;

gbmFit <- gbm(
  formula           = y~.,
  distribution      = "bernoulli",
  data              = sim.df,
  n.trees           = n.trees,
  interaction.depth = 2,
  n.minobsinnode    = 2,
  shrinkage         = shrinkage,
  bag.fraction      = 0.5,
  cv.folds          = 0,
  # verbose         = FALSE
  n.cores           = 1
);

sim.df$logods  <- predict(gbmFit, sim.df, n.trees = n.trees);  #$
sim.df$prob    <- predict(gbmFit, sim.df, n.trees = n.trees, type = 'response');  #$
sim.df$prob.2  <- plogis(predict(gbmFit, sim.df, n.trees = n.trees));  #$
sim.df$logloss <- sim.df$y*log(sim.df$prob) + (1-sim.df$y)*log(1-sim.df$prob);  #$


gbmFit <- gbm(
  formula           = y~.,
  distribution      = "adaboost",
  data              = sim.df,
  n.trees           = n.trees,
  interaction.depth = 2,
  n.minobsinnode    = 2,
  shrinkage         = shrinkage,
  bag.fraction      = 0.5,
  cv.folds          = 0,
  # verbose         = FALSE
  n.cores           = 1
);

sim.df$exp.scale  <- predict(gbmFit, sim.df, n.trees = n.trees);  #$
sim.df$ada.resp   <- predict(gbmFit, sim.df, n.trees = n.trees, type = 'response');  #$
sim.df$ada.resp.2 <- plogis(2*predict(gbmFit, sim.df, n.trees = n.trees));  #$
sim.df$ada.error  <- -exp(-sim.df$y * sim.df$exp.scale);  #$

sim.df[1:20,]
user43392
fuente
y´shouldbe´sim.df