如何使用功能预测GLM以经过多年数据组合？

Question

对于背景，我几周前问了这个问题：如何创建一个用于循环的循环以通过r？的GLM多年

组合7年的数据，并试图使用1年的数据，2年的数据（七年组合），3年的数据（每一个组合的七年组合）等创建逻辑回归GLM，等等，直到7年数据。

用户@Parfait帮助我创建了代码的基础，以完成每年的每年组合（总计7年）并找到模型的偏差等。我现在想查看不同的指标，而不是AIC，偏差等。 具体来说，我想使用测试和培训数据，并进行预测过程和混乱矩阵以获得总体精度值。

这是一些示例数据：

Blue_allyears <- data.frame(
  Survey_Yea = sample(2005:2014, 500, replace=TRUE),
  Pres_Abs = sample(0:1, 500, replace=TRUE),
 TestData = sample(0:1, 500, replace=TRUE),
  ca_10mbath = runif(500),
  ca_10m_cur = runif(500),
  ca_10m_eas = runif(500),
  ca10_bpi30 = runif(500),
  ca10_bpi24 = runif(500)
)
Blue_allyears 

这是我一直试图调整的代码。 设置函数：

run_model <- function(vec, yr) {
  # subset data by years
  
  sub <-blue_test_train[blue_test_train$Survey_Yea %in% vec,]

 
  # dynamically generate formula
        fmla <- Pres_Abs~ca_10mbath+ca_10m_cur+ca_10m_eas+ca10_bpi30+ca10_bpi24
    
        # fit glm model
        fit<-glm(fmla,data=sub[sub$TestData=="0",],family=binomial(link=logit))
      
#get predictions
       
       trainpredict <- predict(fit, newdata=sub[sub$TestData=="1",], type="response")
    
# confusion matrix
cm<- confusionMatrix( trainpredict,reference=sub$Pres_Abs[sub$TestData=="1",])
            overall.accuracy <- cm$overall['Accuracy']



        # create temporary data frame
        df <- data.frame( 
          Survey_Yea = paste(vec, collapse=", "), 
                       overall.accuracy=overall.accuracy,
          stringsAsFactors = F)

  
return(df)
}

运行函数：

years <- sort(unique(blue_test_train$Survey_Yea))

# RETURN NESTED LIST OF MANY DATA FRAMES
results_df_list <- lapply(1:7, function(i) combn(
  years, i, run_model, simplify=FALSE, yr=i)
)

# RETURN FLATTENED LIST OF DATA FRAMES AND
# RENAME ELEMENTS
results_df_list <- setNames(
  lapply(results_df_list, function(dfs) do.call(rbind, dfs)),
  c("years_1", "years_2", "years_3", "years_4","years_5","years_6","years_7")
)

# REVIEW EMBEDDED DATA FRAMES
b1<-(results_df_list$years_1)
b2<-(results_df_list$years_2)
b3<-(results_df_list$years_3)
b4<-(results_df_list$years_4)
b5<-(results_df_list$years_5)
b6<-(results_df_list$years_6)
b7<-(results_df_list$years_7)
blue_inyears<-rbind(b1,b2,b3,b4,b5,b6,b7)
blue_inyears

这是当前错误代码I et： 中的错误[。默认（sub $ pres_abs，sub $ testdata ==“ 1”，）： 不正确的尺寸数量

我也尝试将Sub Sub Sub Sub Sub Sub Sub 2分别仅使用训练和测试数据，以及用于混淆矩阵的不同方法。我也遇到了某种类型的错误。

任何帮助都非常感谢。

谢谢你！

Answer 1

好吧，我想我已经弄清楚了...这是更新的代码：

run_model <- function(vec, yr) {
  # subset data by years
  sub <-blue_test_train[blue_test_train$Survey_Yea %in% vec,]
sub1<-sub[sub$TestData=="0",]
sub2<-sub[sub$TestData=="1",]

  # dynamically generate formula
        fmla <- Pres_Abs~ca_10mbath+ca_10m_cur+ca_10m_eas+ca10_bpi30+ca10_bpi24
    
        # fit glm model
        fit<-glm(fmla,data=sub1,family=binomial(link=logit))

#get predictions
       sub2$predict <- predict(fit, newdata=sub2, type="response")
        
       threshold <- 0.5
       
      cm <-confusionMatrix(factor(sub2$predict>threshold),  factor(sub2$Pres_Abs==1), positive="TRUE")
    
# confusion matrix
            overall.accuracy <- cm$overall['Accuracy']

        # create temporary data frame
        df <- data.frame( 
          Survey_Yea = paste(vec, collapse=", "), 
                       overall.accuracy=overall.accuracy,
          Years=yr,
          stringsAsFactors = F
          )

return(df)
}

我从一开始就将数据征服了，这有所帮助。我正在努力确定“最佳”阈值，而不仅仅是使用0.5，但是想我会共享代码，因为它现在可以使用！