交叉验证 R 中的有序逻辑回归（使用 rpy2）

Question

我正在尝试在 Python 中创建一个预测模型，通过交叉验证比较几个不同的回归模型。为了适应有序逻辑模型 (MASS.polr)，我不得不通过 rpy2 与 R 接口，如下所示：

from rpy2.robjects.packages import importr
import rpy2.robjects as ro

df = pd.DataFrame()
df = df.append(pd.DataFrame({"y":25,"X":7},index=[0]))
df = df.append(pd.DataFrame({"y":50,"X":22},index=[0]))
df = df.append(pd.DataFrame({"y":25,"X":15},index=[0]))
df = df.append(pd.DataFrame({"y":75,"X":27},index=[0]))
df = df.append(pd.DataFrame({"y":25,"X":12},index=[0]))
df = df.append(pd.DataFrame({"y":25,"X":13},index=[0]))

# Loads R packages. 
base = importr('base')
mass = importr('MASS')

# Converts df to an R dataframe. 
from rpy2.robjects import pandas2ri
pandas2ri.activate()
ro.globalenv["rdf"] = pandas2ri.py2ri(df) 

# Makes R recognise y as a factor. 
ro.r("""rdf$y <- as.factor(rdf$y)""")

# Fits regression. 
formula = "y ~ X"    
ordlog = mass.polr(formula, data=base.as_symbol("rdf"))
ro.globalenv["ordlog"] = ordlog
print(base.summary(ordlog))

到目前为止，我主要使用 sklearn.cross_validation.test_train_split 和 sklearn.metrics.accuracy_score 比较我的模型，得到一个从 0 到 1 的数字，代表训练集模型在预测测试时的准确性-设置值。

我如何使用 rpy2 和 MASS.polr 复制此测试？

Answer 1

问题最终通过使用 rms.lrm 重新拟合模型得到解决，它提供了 validate() 函数（在 this example 之后解释）。

交叉验证 R 中的有序逻辑回归（使用 rpy2）

Cross-validating an ordinal logistic regression in R (using rpy2)

r

regression

cross-validation

python

scikit-learn