distribution = "adaboost"와 함께 R gbm을 사용하는 방법은 무엇입니까?

설명서에 분포 = "adaboost"인 R gbm을 0-1 분류 문제에 사용할 수 있다고 나와 있습니다. 다음 코드 조각을 고려하십시오.

gbm_algorithm <- gbm(y ~ ., data = train_dataset, distribution = "adaboost", n.trees = 5000)
gbm_predicted <- predict(gbm_algorithm, test_dataset, n.trees = 5000)

예측 문서에서 찾을 수 있습니다 .gbm

예측 벡터를 반환합니다. 기본적으로 예측은 f (x) 척도입니다.

그러나 분포 = "adaboost"의 경우 특정 척도는 명확하지 않습니다.

누구든지 predict.gbm 반환 값을 해석하고 0-1 출력으로 변환하는 아이디어를 제공 할 수 있습니까?

adaboost 방법은 로짓 척도에 대한 예측을 제공합니다. 0-1 출력으로 변환 할 수 있습니다.

gbm_predicted<-plogis(2*gbm_predicted)

로지 내부의 2 *에 주목

predict.gbm함수 에서 확률을 직접 얻을 수도 있습니다 .

predict(gbm_algorithm, test_dataset, n.trees = 5000, type = 'response')

adaboost 링크 기능은 여기 에 설명되어 있습니다 . 이 예제는 계산에 대한 자세한 설명을 제공합니다.

library(gbm);
set.seed(123);
n          <- 1000;
sim.df     <- data.frame(x.1 = sample(0:1, n, replace=TRUE), 
                         x.2 = sample(0:1, n,    replace=TRUE));
prob.array <- c(0.9, 0.7, 0.2, 0.8);
df$y       <- rbinom(n, size = 1, prob=prob.array[1+sim.df$x.1+2*sim.df$x.2])
n.trees    <- 10;
shrinkage  <- 0.01;

gbmFit <- gbm(
  formula           = y~.,
  distribution      = "bernoulli",
  data              = sim.df,
  n.trees           = n.trees,
  interaction.depth = 2,
  n.minobsinnode    = 2,
  shrinkage         = shrinkage,
  bag.fraction      = 0.5,
  cv.folds          = 0,
  # verbose         = FALSE
  n.cores           = 1
);

sim.df$logods  <- predict(gbmFit, sim.df, n.trees = n.trees);  #$
sim.df$prob    <- predict(gbmFit, sim.df, n.trees = n.trees, type = 'response');  #$
sim.df$prob.2  <- plogis(predict(gbmFit, sim.df, n.trees = n.trees));  #$
sim.df$logloss <- sim.df$y*log(sim.df$prob) + (1-sim.df$y)*log(1-sim.df$prob);  #$


gbmFit <- gbm(
  formula           = y~.,
  distribution      = "adaboost",
  data              = sim.df,
  n.trees           = n.trees,
  interaction.depth = 2,
  n.minobsinnode    = 2,
  shrinkage         = shrinkage,
  bag.fraction      = 0.5,
  cv.folds          = 0,
  # verbose         = FALSE
  n.cores           = 1
);

sim.df$exp.scale  <- predict(gbmFit, sim.df, n.trees = n.trees);  #$
sim.df$ada.resp   <- predict(gbmFit, sim.df, n.trees = n.trees, type = 'response');  #$
sim.df$ada.resp.2 <- plogis(2*predict(gbmFit, sim.df, n.trees = n.trees));  #$
sim.df$ada.error  <- -exp(-sim.df$y * sim.df$exp.scale);  #$

sim.df[1:20,]