我需要模拟来自随机猜测二元分类器的数据
$p(成功)= 0.55$ 和 $p(失败)= 1-0.55$。
所以我如下模拟了伯努利分布的数据,并将结果与实际响应数据进行了比较。
set.seed(123)
#predicted response
y_pred=replicate(50,rbinom(1,1,prob = 0.55))
#actual response
y=sample(rep(0:1,each=25))
table(y,y_pred)
y_pred
y 0 1
0 13 12
1 10 15
我做对了吗?任何指导都会非常有帮助。
最佳答案
对我来说看起来很合理。不过,您不需要 replicate
。我个人会设置全局 n
:
set.seed(123)
## predicted response
n <- 50
y_pred <- rbinom(n, 1, prob=.55)
## calculate actual probability of predicted response
sum(y_pred) / length(y_pred)
# [1] 0.54
## actual response
y <- sample(rep(0:1, each=n/2))
## calculate actual probability of actual response
sum(y) / length(y)
# [1] 0.5
table(y, y_pred)
# y_pred
# y 0 1
# 0 13 12
# 1 10 15
但是,您在如此小的 n
下预测响应的实际概率可能会有很大的随机波动(即取决于种子),特别是对于小的 n
。让我们将代码放入一个函数中一分钟来展示这一点。
n <- 50
sfun <- function() {
y_pred <- rbinom(50, 1, prob=.55)
sum(y_pred) / length(y_pred)
}
set.seed(383159)
sfun()
# [1] 0.62 ## 13% off!
set.seed(82809)
sfun()
# [1] 0.44 ## 20% off!
您可以做的是使用repeat
循环,如果结果在设定的tol
范围内则循环中断。 (注意,当 tol
设置得太小时,这将永远运行!)
tol <- .01
set.seed(123)
n <- 50
repeat({
y_pred <- rbinom(n, 1, prob=.55)
pr1 <- sum(y_pred) / length(y_pred)
if (pr1 <= .55 + tol & pr1 >= .55 - tol)
break
})
y_pred
# [1] 1 0 1 0 0 1 1 0 0 1 0 1 0 0 1 0 1 1 1 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0
# [35] 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0
sum(y_pred) / length(y_pred)
# [1] 0.54 ## ok!
关于r - 从随机猜测二元分类模型模拟,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63680731/