如何使用插入包模型结果对概率运行gbm模拟

Question

我不确定这是否是正确的做法，我很乐意予以纠正。

拟合模型

我在R环境中使用插入符号包装了一个gbm模型，为了一个例子，我将在没有任何参数调整和使用 iris 数据集的情况下进行：< / p>

library(caret)
data(iris)
gbmFit <- train(Species ~ ., data = iris, method = "gbm")

如果我在虹膜数据集中进行了4次测量，这可以让我对花属于哪种物种进行分类。

我有兴趣使用predict中的type = "prob"函数的结果来运行模拟。

使用预测来获得每个物种的概率

由于这只是一个例子，我没有新的数据，所以我将使用相同的数据，就像它是新的一样，我使用预测函数来获得每种花是一种物种的概率：

PROBS <- predict(gbmFit4, iris[,1:4], type="prob")

这是结果的例子

head(PROBS)
     setosa   versicolor    virginica
1 0.9999989 1.087268e-06 1.679813e-10
2 0.9999998 1.689137e-07 1.404242e-09
3 0.9999995 5.381312e-07 3.131823e-10
4 0.9999996 4.335414e-07 3.912857e-10
5 0.9999989 1.087268e-06 1.679813e-10
6 0.9999987 1.278968e-06 1.679813e-10

为一朵花运行模拟

我知道如何对一朵花进行模拟，在那里我使用PROB数据帧给出每个物种的花的概率，然后使用样本来模拟分类，因为它的概率是说1000000分类，我使用第107行，因为它不太确定：

set.seed(123)
summary(as.factor(sample(c("setosa", "versicolor", "virginica"), size = 100000, replace = TRUE, prob = PROBS[107,])))

导致

versicolor  virginica 
     14731      85269 

如何为每次观察做到这一点

我的目标是使用新数据运行这样的模拟并得到以下结果：平均每个模拟中每个物种分类的花数（av_class_species）;每个物种的最小值和最大值是什么（min_class_species，max_class_species），作为一个例子我制作了这个假数据帧（数据集中有150朵花）：

av_class_setosa  max_class_setosa min_class_setosa av_class_versicolor...
       24.4         35                 12                30.2

任何帮助将不胜感激

Answer 1

找到我自己的答案，虽然如果有人找到更有效的方法我会很高兴，这是为了运行100次模拟：

SIMUL <- list()

for(i in 1:100){
  species <- list()
  for(j in 1:nrow(PROBS)){
    species[[j]] <- sample(c("setosa", "versicolor", "virginica"), size = 1, replace = TRUE, prob = PROBS[j,])
  }
  SIMUL[[i]] <- as.data.frame(table(unlist(species)))
}

SIMUL <- do.call("rbind", SIMUL)

SIMUL <- dplyr::group_by(SIMUL, Var1)
SIMUL <- dplyr::summarise(SIMUL, MEAN_class = mean(Freq), MIN_Class = min(Freq), MAX_Class = max(Freq))

这将导致：

SIMUL

Source: local data frame [3 x 4]

        Var1 MEAN_class MIN_Class MAX_Class
      (fctr)      (dbl)     (int)     (int)
1     setosa       50.0        50        50
2 versicolor       49.7        47        53
3  virginica       50.3        47        53