GBM规则生成 - 编码建议
我使用R包GBM可能是我预测建模的首选.有关于这个算法,但在一个"坏"这么多伟大的事情是,我不能轻易使用型号代码进球我要编写能够在SAS或其他系统中使用的代码外河的新数据(我将开始与SAS(无法访问IML)).
假设我有以下数据集(来自GBM手册)和型号代码:
library(gbm)
set.seed(1234)
N <- 1000
X1 <- runif(N)
X2 <- 2*runif(N)
X3 <- ordered(sample(letters[1:4],N,replace=TRUE),levels=letters[4:1])
X4 <- factor(sample(letters[1:6],N,replace=TRUE))
X5 <- factor(sample(letters[1:3],N,replace=TRUE))
X6 <- 3*runif(N)
mu <- c(-1,0,1,2)[as.numeric(X3)]
SNR <- 10 # signal-to-noise ratio
Y <- X1**1.5 + 2 * (X2**.5) + mu
sigma <- sqrt(var(Y)/SNR)
Y <- Y + rnorm(N,0,sigma)
# introduce some missing values
#X1[sample(1:N,size=500)] <- NA
X4[sample(1:N,size=300)] <- NA
X3[sample(1:N,size=30)] <- NA
data <- data.frame(Y=Y,X1=X1,X2=X2,X3=X3,X4=X4,X5=X5,X6=X6)
# fit initial model
gbm1 <- gbm(Y~X1+X2+X3+X4+X5+X6, # formula
data=data, # dataset
var.monotone=c(0,0,0,0,0,0), # -1: monotone decrease,
distribution="gaussian",
n.trees=2, # number of trees
shrinkage=0.005, # shrinkage or learning rate,
# 0.001 to 0.1 usually work
interaction.depth=5, # 1: additive model, 2: two-way interactions, etc.
bag.fraction = 1, # subsampling fraction, 0.5 is probably best
train.fraction = 1, # fraction of data for training,
# first train.fraction*N used for training
n.minobsinnode = 10, # minimum total weight needed in each node
cv.folds = 5, # do 5-fold cross-validation
keep.data=TRUE, # keep a copy of the dataset with the object
verbose=TRUE) # print out progress
现在我可以看到个别树木用pretty.gbm.tree在
pretty.gbm.tree(gbm1,i.tree = 1)[1:7]
产量
SplitVar SplitCodePred LeftNode RightNode MissingNode ErrorReduction Weight
0 2 1.5000000000 1 8 15 983.34315 1000
1 1 1.0309565491 2 6 7 190.62220 501
2 2 0.5000000000 3 4 5 75.85130 277
3 -1 -0.0102671518 -1 -1 -1 0.00000 139
4 -1 -0.0050342273 -1 -1 -1 0.00000 138
5 -1 -0.0076601353 -1 -1 -1 0.00000 277
6 -1 -0.0014569934 -1 -1 -1 0.00000 224
7 -1 -0.0048866747 -1 -1 -1 0.00000 501
8 1 0.6015416372 9 10 14 160.97007 469
9 -1 0.0007403551 -1 -1 -1 0.00000 142
10 2 2.5000000000 11 12 13 85.54573 327
11 -1 0.0046278704 -1 -1 -1 0.00000 168
12 -1 0.0097445692 -1 -1 -1 0.00000 159
13 -1 0.0071158065 -1 -1 -1 0.00000 327
14 -1 0.0051854993 -1 -1 -1 0.00000 469
15 -1 0.0005408284 -1 -1 -1 0.00000 30
手册第18页显示以下内容:
根据手册,第一次分割发生在第三个变量(基于此输出的零),即gbm1$var.names[3]"X3".变量是有序因子.
types<-lapply (lapply(data[,gbm1$var.names],class), function(i) ifelse (strsplit(i[1]," ")[1]=="ordered","ordered",i))
types[3]
因此,拆分为1.5意味着值'd和c' levels[[3]][1:2.5](也基于零)分裂到左节点而其他值levels[[3]][3:4]则向右移动.
接下来,规则继续进行拆分,gbm1$var.names[2]在索引为1的行中由SplitVar = 1表示.
有没有人写过任何东西来遍历这个数据结构(对于每棵树),构建如下的规则:
"如果X3在( 'd', 'C')和X2 <1.0309565491和X3在( 'd')然后scoreTreeOne = -0.0102671518"
这就是我认为这棵树的第一条规则是如何读取的.
或者有任何建议如何最好地做到这一点？
这是关于如何完成此操作的非常通用的答案。
添加一些 R 代码以将输出写入文件。https://stat.ethz.ch/R-manual/R-devel/library/base/html/sink.html
然后通过 SAS，访问执行 R 的能力：http://support.sas.com/documentation/cdl/en/hostunx/61879/HTML/default/viewer.htm#a000303551.htm （您需要知道其中您的 R 可执行文件是将您上面编写的 R 代码指向可执行文件）
从那里您应该能够操纵 SAS 中的输出来进行您可能需要的任何评分。
如果只是一次性评分而不是过程，则省略 R 的 SAS 执行，只需开发 SAS 代码来解析 R 输出文件。