Я пытаюсь создать прогностическую модель в Python, сравнивая несколько разных моделей регрессии с помощью перекрестной проверки. Чтобы соответствовать порядковой логистической модели (MASS.polr), мне пришлось взаимодействовать с R через rpy2 следующим образом:
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))
До сих пор я в основном сравнивал свои модели, используя sklearn.cross_validation.test_train_split и sklearn.metrics.accuracy_score, получая число от 0 до 1, которое представляет точность модели тренировочного набора при прогнозировании значений тестового набора.
Как я могу воспроизвести этот тест, используя rpy2 и MASS.polr?
