我测量了一个城市约1500棵树的多个属性（高度，种类，树冠宽度，条件等）。使用遥感技术，我还拥有该市其他9000棵树的高度。我想通过使用它们的高度来模拟/生成/估计这些未测量树的缺失属性。
根据测量数据，我可以获得测量种群中每个物种的比例（因此粗略概率），每个物种的高度分布，物种的高度 - 冠宽度关系，物种 - 条件关系等。我想使用未测量树木的高度数据来首先估计物种，然后使用概率理论估计其余属性。因此，对于25米的高度，它更可能是雪松（高度范围5 - 30米）而不是桑树（高度范围2-8米），更可能是雪松（50％的人口）而不是橡木（相同的高度范围，但人口的2％），因此冠宽为10米，健康状况为95％（根据我的测量数据中的雪松分布）。但是我也期待其他一些25米的树木被给予橡木，根据人口比例的比例，不如雪松那么频繁。
有没有办法在R中使用概率论优先使用贝叶斯或机器学习方法？
我不是要求有人为我编写代码 - 我对R很有经验。我只是想指出正确的方向，即一个整齐地做这种事情的包。
谢谢！
答案 0 :(得分：1)
因为您想要预测分类变量，即物种，您应该考虑使用树回归，这种方法可以在R包rpart和RandomForest中找到。当您拥有离散数量的类别时，这些模型表现优异，您需要将观察结果插入到这些类别中。我认为这些包可以在您的应用程序中使用。作为比较，您还可以查看多项回归（mnlogit，nnet，maxent），它也可以预测分类结果;不幸的是，多项回归可能会因大量结果和/或大数据集而变得难以处理。
如果您想预测物种中单个树木的个体价值，首先在测量的树木上运行所有测量变量（包括物种类型）的回归。然后获取您预测的分类标签，并预测未测量树的样本外，其中您使用分类标签作为未测量的感兴趣变量（例如树高）的预测变量。这样，回归将预测该物种/虚拟变量的平均高度，加上一些错误，并将您在该样本外树上的任何其他信息合并。
如果要使用贝叶斯方法，可以考虑使用分层回归来对这些样本外预测进行建模。有时层次模型在预测方面做得更好，因为它们往往相当保守。考虑一下Rarcarm软件包的一些例子。
答案 1 :(得分：0)
我建议你通过随机变量查看表CPD的贝叶斯网络。这是一个生成模型，可以处理缺失的数据，并对变量之间的偶然关系进行推理。贝叶斯网络结构可以手工指定，也可以通过算法从数据中学习。
R有几个贝叶斯网络的实现，其中bnlearn就是其中之一：http://www.bnlearn.com/
请在此处查看有关如何使用它的教程：https://www.r-bloggers.com/bayesian-network-in-r-introduction/
答案 2 :(得分：0)
对于每个物种，其他变量（高度，宽度，条件）的分布可能是一个相当简单的碰撞。您可以将高度和宽度建模为联合高斯分布;关于状况的dunno。无论如何，对物种以外的变量进行联合分布，您可以构建所有那些物种间碰撞的混合分布，混合权重等于可用数据中每个物种的比例。给定高度，您可以找到以高度为条件的其他变量的条件分布（并且它也将是混合分布）。给定条件混合，您可以照常采样：选择频率等于其混合重量的凸起，然后从选定的凸起进行采样。
听起来像个问题。祝你好运，玩得开心。