मैंने अपने उत्तर को आज से संशोधित कर दिया है। अब मैंने कुछ उदाहरण डेटा उत्पन्न किए हैं, जिस पर कोड को चलाना है। दूसरों ने सही सुझाव दिया है कि आप कैरेट पैकेज का उपयोग करते हुए देखते हैं, जिसके साथ मैं सहमत हूं। हालाँकि, कुछ उदाहरणों में, आपको अपना कोड लिखना आवश्यक हो सकता है। नीचे मैंने आर-पार सिलवटों के लिए बेतरतीब ढंग से टिप्पणियों को असाइन करने के लिए आर में नमूना () फ़ंक्शन का उपयोग करने का तरीका प्रदर्शित करने का प्रयास किया है। मैं दस प्रशिक्षण सेटों पर चर पूर्व चयन (0.1 के एक उदार पी मूल्य कटऑफ के साथ एकतरफा रेखीय प्रतिगमन का उपयोग करके) और मॉडल बिल्डिंग (स्टेपवाइज रिग्रेशन का उपयोग करके) करने के लिए लूप का उपयोग करता हूं। तब आप अपने मॉडल को सत्यापन सिलवटों पर लागू करने के लिए अपना कोड लिख सकते हैं। उम्मीद है की यह मदद करेगा!
################################################################################
## 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.
################################################################################
क्रॉस-सत्यापन करने से पहले, यह महत्वपूर्ण है कि आप इसके उचित उपयोग के बारे में पढ़ें। ये दो संदर्भ क्रॉस-सत्यापन की उत्कृष्ट चर्चा प्रदान करते हैं:
- साइमन आरएम, सुब्रमण्यन जे, ली एमसी, मेनेजेस एस। उच्च-आयामी डेटा के आधार पर अस्तित्व के जोखिम वाले क्लासिफायर के पूर्वानुमान सटीकता का मूल्यांकन करने के लिए क्रॉस-मान्यता का उपयोग कर रहा है। संक्षिप्त जैव सूचना। 2011 मई; 12 (3): 203-14। एपीब 2011 2011 15 फरवरी। http://bib.oxfordjournals.org/content/12/3/203.long
- रिचर्ड साइमन, माइकल डी। रैडमैकर, केविन डोबिन और लिसा एम। मैकसेन। डायग्नोस्टिक और प्रॉग्नॉस्टिक वर्गीकरण के लिए डीएनए माइक्रोएरे डेटा के उपयोग में नुकसान। जेएनसीआई जे नैटल कैंसर इंस्टेंस (2003) 95 (1): 14-18। http://jnci.oxfordjournals.org/content/95/1/14.long
ये कागज बायोस्टैटिस्ट की ओर खींचे जाते हैं, लेकिन किसी के लिए भी उपयोगी होंगे।
इसके अलावा, हमेशा ध्यान रखें कि स्टेप वाइज रिग्रेशन का उपयोग करना खतरनाक है (हालाँकि क्रॉस-वैरिफिकेशन का उपयोग ओवरफिटिंग को कम करने में मदद करना चाहिए)। चरणवार प्रतिगमन की एक अच्छी चर्चा यहाँ उपलब्ध है: http://www.stata.com/support/faqs/stat/stepwise.html ।
यदि आपके कोई अतिरिक्त प्रश्न हों, तो मुझे बताएं!