Определить матрицу вероятностей перехода от ребер - PullRequest
Новая
       18

Определить матрицу вероятностей перехода от ребер

2 голосов
/ 14 апреля 2019

Я бы хотел определить матрицу вероятностей перехода от ребер с вероятностями, используя define_transition из heemod . Я строю дерево решений, где каждое ребро представляет условную вероятность решения. Конечные узлы в этом дереве - это ребра, заканчивающиеся суффиксом .ts или .nts.

Кроме того, этот пост предоставляет информацию об использовании marSchain's createSequenceMatrix для решения слегка схожей проблемы, но я не мог понять, как использовать эту функцию для решения моей проблемы с матрицей. Я не уверен, что igraph может помочь в этом сценарии, но я использовал его, чтобы показать, что, по моему мнению, должно быть выполнено при переходе.

Любая помощь, которую вы можете оказать, будет принята с благодарностью!

Я безуспешно пытался построить элемент матрицы перехода по элементам.

Вот как выглядят данные, на что я пытался и что я хочу вывести define_transition: 

if (("heemod" %in% rownames(installed.packages()))==FALSE) install.packages("heemod"); library(heemod)
if (("markovchain" %in% rownames(installed.packages()))==FALSE) install.packages("markovchain"); library(markovchain)
if (("igraph" %in% rownames(installed.packages()))==FALSE) install.packages("igraph"); library(igraph)


data<-dput(structure(list(from = c("alf", "alf", "alf", "t1", "t1", "t2", 
"t2", "t3", "t3", "t1.t", "t1.t", "t1.nt", "t1.nt", "t2.t", "t2.t", 
"t2.nt", "t2.nt", "t3.t", "t3.t", "t3.nt", "t3.nt"), to = c("t1", 
"t2", "t3", "t1.t", "t1.nt", "t2.t", "t2.nt", "t3.t", "t3.nt", 
"t1.t.ts", "t1.t.nts", "t1.nt.ts", "t1.nt.nts", "t2.t.ts", "t2.t.nts", 
"t2.nt.ts", "t2.nt.nts", "t3.t.ts", "t3.t.nts", "t3.nt.ts", "t3.nt.nts"
), prob = c(0.25, 0.314285714285714, 0.435714285714286, 0.976190476190476, 
0.0238095238095238, 0.88, 0.12, 0.961748633879781, 0.0382513661202186, 
0.560975609756098, 0.439024390243902, 0.2, 0.8, 0.8, 0.2, 0.04, 
0.96, 0.988636363636364, 0.0113636363636364, 0, 1)), row.names = c(NA, 
-21L), class = c("tbl_df", "tbl", "data.frame"))

# hopeless/unsuccessfull attempt at element by element approach
p.t1 = 210/840,
p.t2 = 264/840,
p.t3 = 1-(p.t1+p.t2),
p.t1.t = 205/210,
p.t1.nt = 1- p.t1.t,
heemod::define_transition(0,p.t1,p.t2,p.t3,0,0,
                               0,0,0,0,0,0,
                               0,0,0,0,0,0,
                               0,0,0,0,0,0,
                               0,0,0,0,0,0,
                               0,0,0,0,0,0
))

# Desired output that define transition reads, only probability values are the 1s
graph.data.frame(data,directed = TRUE)
as_adjacency_matrix(graph.data.frame(data,directed = TRUE))

#[[ suppressing 22 column names ‘alf’, ‘t1’, ‘t2’ ... ]]

alf       . 1 1 1 . . . . . . . . . . . . . . . . . .
t1        . . . . 1 1 . . . . . . . . . . . . . . . .
t2        . . . . . . 1 1 . . . . . . . . . . . . . .
t3        . . . . . . . . 1 1 . . . . . . . . . . . .
t1.t      . . . . . . . . . . 1 1 . . . . . . . . . .
t1.nt     . . . . . . . . . . . . 1 1 . . . . . . . .
t2.t      . . . . . . . . . . . . . . 1 1 . . . . . .
t2.nt     . . . . . . . . . . . . . . . . 1 1 . . . .
t3.t      . . . . . . . . . . . . . . . . . . 1 1 . .
t3.nt     . . . . . . . . . . . . . . . . . . . . 1 1
t1.t.ts   . . . . . . . . . . . . . . . . . . . . . .
t1.t.nts  . . . . . . . . . . . . . . . . . . . . . .
t1.nt.ts  . . . . . . . . . . . . . . . . . . . . . .
t1.nt.nts . . . . . . . . . . . . . . . . . . . . . .
t2.t.ts   . . . . . . . . . . . . . . . . . . . . . .
t2.t.nts  . . . . . . . . . . . . . . . . . . . . . .
t2.nt.ts  . . . . . . . . . . . . . . . . . . . . . .
t2.nt.nts . . . . . . . . . . . . . . . . . . . . . .
t3.t.ts   . . . . . . . . . . . . . . . . . . . . . .
t3.t.nts  . . . . . . . . . . . . . . . . . . . . . .
t3.nt.ts  . . . . . . . . . . . . . . . . . . . . . .
t3.nt.nts . . . . . . . . . . . . . . . . . . . . . .

1 Ответ

1 голос
/ 14 апреля 2019

Вот первая попытка, которая может быть немного запутанной. Сначала мы создаем матрицу разреженной смежности (как вы сделали в своем вопросе). На следующем шаге мы перезаписываем 1 с фактическими вероятностями перехода. 

adj <- as_adjacency_matrix(graph.data.frame(data, directed = TRUE))
adj@x <- data$prob
adj <- as.matrix(adj)

Это дает нам матрицу с вероятностями перехода. Чтобы использовать define_transition, мы можем сделать 

do.call(define_transition, as.list(t(adj)))
# No named state -> generating names.
# A transition matrix, 22 states.

#   A B    C                 D                 E                
# A   0.25 0.314285714285714 0.435714285714286  
# <snip>
...