Validieren einer ordinalen logistischen Regression in R (mit rpy2)

Question

Ich versuche ein Vorhersagemodell in Python zu erstellen, indem ich mehrere verschiedene Regressionsmodelle durch Kreuzvalidierung vergleiche. Um eine Ordnungs logistisches Modell (MASS.polr) zu passen, habe ich musste mit R durch rpy2 Schnittstelle wie folgt:

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)) 

Bisher habe ich vor allem meine Modelle wurden zu vergleichen sklearn.cross_validation.test_train_split und sklearn.metrics.accuracy_score mit, wodurch man eine Reihe von 0 bis 1, was die Genauigkeit des Trainingssatzmodells bei der Vorhersage der Testsatzwerte darstellt.

Wie kann ich diesen Test mit rpy2 und MASS.polr replizieren?

Answer 1

Das Problem wurde schließlich behoben, indem das Modell unter Verwendung von rms.lrm, das eine -Funktion bereitstellt, interpretiert wurde (folgend interpretiert this example).