আমি আজ থেকে আমার উত্তর সংশোধন করেছি। কোডটি চালানোর জন্য আমি এখন কয়েকটি উদাহরণ ডেটা তৈরি করেছি। অন্যরা যথাযথভাবে পরামর্শ দিয়েছে যে আপনি ক্যারেট প্যাকেজটি ব্যবহারের দিকে নজর দিন, যার সাথে আমি সম্মত। কিছু ক্ষেত্রে, তবে আপনার নিজের কোডটি লেখার প্রয়োজন মনে হতে পারে। নীচে আমি আর-তে নমুনা () ফাংশনটি কীভাবে ব্যবহার করতে পারি তা প্রদর্শনের চেষ্টা করেছি এলোমেলোভাবে ক্রস-বৈধতা ভাঁজগুলিতে পর্যবেক্ষণ বরাদ্দ করতে। আমি দশটি প্রশিক্ষণ সেটগুলিতে ভেরিয়েবল পূর্ব-নির্বাচন (0.1 এর লেনিয়েন্ট পি মান কাট অফ সহ ইউনিভারিটিট লিনিয়ার রিগ্রেশন ব্যবহার করে) এবং মডেল বিল্ডিং (স্টেপওয়াইজ রিগ্রেশন ব্যবহার করে) চালানোর জন্য লুপগুলিও ব্যবহার করি। তারপরে বৈধতা ভাঁজগুলিতে ফলাফল মডেলগুলি প্রয়োগ করতে আপনি নিজের কোডটি লিখতে পারেন। আশাকরি এটা সাহায্য করবে!
################################################################################
## Load the MASS library, which contains the "stepAIC" function for performing
## stepwise regression, to be used later in this script
library(MASS)
################################################################################
################################################################################
## Generate example data, with 100 observations (rows), 70 variables (columns 1
## to 70), and a continuous dependent variable (column 71)
Data <- NULL
Data <- as.data.frame(Data)
for (i in 1:71) {
for (j in 1:100) {
Data[j,i] <- rnorm(1) }}
names(Data)[71] <- "Dependent"
################################################################################
################################################################################
## Create ten folds for cross-validation. Each observation in your data will
## randomly be assigned to one of ten folds.
Data$Fold <- sample(c(rep(1:10,10)))
## Each fold will have the same number of observations assigned to it. You can
## double check this by typing the following:
table(Data$Fold)
## Note: If you were to have 105 observations instead of 100, you could instead
## write: Data$Fold <- sample(c(rep(1:10,10),rep(1:5,1)))
################################################################################
################################################################################
## I like to use a "for loop" for cross-validation. Here, prior to beginning my
## "for loop", I will define the variables I plan to use in it. You have to do
## this first or R will give you an error code.
fit <- NULL
stepw <- NULL
training <- NULL
testing <- NULL
Preselection <- NULL
Selected <- NULL
variables <- NULL
################################################################################
################################################################################
## Now we can begin the ten-fold cross validation. First, we open the "for loop"
for (CV in 1:10) {
## Now we define your training and testing folds. I like to store these data in
## a list, so at the end of the script, if I want to, I can go back and look at
## the observations in each individual fold
training[[CV]] <- Data[which(Data$Fold != CV),]
testing[[CV]] <- Data[which(Data$Fold == CV),]
## We can preselect variables by analyzing each variable separately using
## univariate linear regression and then ranking them by p value. First we will
## define the container object to which we plan to output these data.
Preselection[[CV]] <- as.data.frame(Preselection[CV])
## Now we will run a separate linear regression for each of our 70 variables.
## We will store the variable name and the coefficient p value in our object
## called "Preselection".
for (i in 1:70) {
Preselection[[CV]][i,1] <- i
Preselection[[CV]][i,2] <- summary(lm(Dependent ~ training[[CV]][,i] , data = training[[CV]]))$coefficients[2,4]
}
## Now we will remove "i" and also we will name the columns of our new object.
rm(i)
names(Preselection[[CV]]) <- c("Variable", "pValue")
## Now we will make note of those variables whose p values were less than 0.1.
Selected[[CV]] <- Preselection[[CV]][which(Preselection[[CV]]$pValue <= 0.1),] ; row.names(Selected[[CV]]) <- NULL
## Fit a model using the pre-selected variables to the training fold
## First we must save the variable names as a character string
temp <- NULL
for (k in 1:(as.numeric(length(Selected[[CV]]$Variable)))) {
temp[k] <- paste("training[[CV]]$V",Selected[[CV]]$Variable[k]," + ",sep="")}
variables[[CV]] <- paste(temp, collapse = "")
variables[[CV]] <- substr(variables[[CV]],1,(nchar(variables[[CV]])-3))
## Now we can use this string as the independent variables list in our model
y <- training[[CV]][,"Dependent"]
form <- as.formula(paste("y ~", variables[[CV]]))
## We can build a model using all of the pre-selected variables
fit[[CV]] <- lm(form, training[[CV]])
## Then we can build new models using stepwise removal of these variables using
## the MASS package
stepw[[CV]] <- stepAIC(fit[[CV]], direction="both")
## End for loop
}
## Now you have your ten training and validation sets saved as training[[CV]]
## and testing[[CV]]. You also have results from your univariate pre-selection
## analyses saved as Preselection[[CV]]. Those variables that had p values less
## than 0.1 are saved in Selected[[CV]]. Models built using these variables are
## saved in fit[[CV]]. Reduced versions of these models (by stepwise selection)
## are saved in stepw[[CV]].
## Now you might consider using the predict.lm function from the stats package
## to apply your ten models to their corresponding validation folds. You then
## could look at the performance of the ten models and average their performance
## statistics together to get an overall idea of how well your data predict the
## outcome.
################################################################################
ক্রস-বৈধকরণ সম্পাদন করার আগে, আপনি এটির সঠিক ব্যবহার সম্পর্কে পড়া গুরুত্বপূর্ণ। এই দুটি রেফারেন্স ক্রস-বৈধতার চমৎকার আলোচনা প্রস্তাব:
- সাইমন আরএম, সুব্রহ্মণিয়ান জে, লি এমসি, মেনেজেস এস উচ্চ-মাত্রিক তথ্যের ভিত্তিতে বেঁচে থাকার ঝুঁকি শ্রেণিবদ্ধের ভবিষ্যদ্বাণীমূলক নির্ভুলতার মূল্যায়ন করতে ক্রস-বৈধতা ব্যবহার করে। ব্রিফ বায়োইনফর্ম 2011 মে; 12 (3): 203-14। এপুব 2011 ফেব্রুয়ারী 15. http://bib.oxfordjournals.org/content/12/3/203.long
- রিচার্ড সাইমন, মাইকেল ডি রেডমাচার, কেভিন ডবিন এবং লিসা এম ম্যাকশেন। ডায়াগনস্টিক এবং প্রাগনস্টিক শ্রেণিবিন্যাসের জন্য ডিএনএ মাইক্রোয়ারে ডেটা ব্যবহারে সমস্যাগুলি। জেএনসিআই জে নেটল ক্যান্সার ইনস্ট্যান্ট (2003) 95 (1): 14-18। http://jnci.oxfordjournals.org/content/95/1/14.long
এই কাগজপত্রগুলি বায়োস্ট্যাটিস্টিস্টদের দিকে প্রস্তুত, তবে এটি যে কারও পক্ষে কার্যকর হবে।
এছাড়াও, সর্বদা মনে রাখবেন যে ধাপে ধাপে রিগ্রেশন ব্যবহার করা বিপজ্জনক (যদিও ক্রস-বৈধকরণ ব্যবহারের ফলে অত্যধিক মানসিক চাপ কমিয়ে আনতে সহায়তা করা উচিত)। স্টেপওয়াইজ রিগ্রেশন সম্পর্কিত একটি ভাল আলোচনা এখানে পাওয়া যায়: http://www.stata.com/support/faqs/stat/stepwise.html ।
আপনার যদি কোনও অতিরিক্ত প্রশ্ন থাকে তবে আমাকে জানান!