ヒストグラムで予測確率を評価するR

Question

私は、ヨーロッパのサッカーの試合、そのフルタイムの結果と自宅の勝利のための暗黙の確率（麻薬のオッズを使用）を含むデータフレームを持っています。 は、以下のようになります。

Div  Date HomeTeam  AwayTeam FTR PSH PSD PSA PSCH PSCD PSCA homeprob 
F2 28/07/17 Brest Chateauroux A 2.01 3.07 4.92 1.91 3.27 5.13  0.50 
F2 28/07/17 Nimes   Reims A 2.33 3.05 3.73 2.34 3.12 3.62  0.43 
... 

は、だから私は、y軸上のx軸と周波数上のインプライド確率でヒストグラムを作成しました。そして今、私は同じグラフ上の各homeprob値に対する実際の勝利数をプロットしたい（私は、予想される対の観測比較することができます） これは、これまで私が持っているグラフである

私はちょうどよ方法がわからないすべての可能な値homeprobにループを実行し、FTR == "H"の場合にカウントを追加することを考えていましたか？

btw - あなたが観察されたものと予想されるものを比較する良い方法があると思ったら教えてください。

ありがとうございます！

Answer 1

私は家の勝利の確率と "H"（私が推測しているのは、実際の勝利か予測された勝利か）を比較するためのいくつかの異なる選択肢があると思います。コメントに示唆されているように、homeprobをバケットに分割し、集計統計にdplyrを使用できます。その後、勝利のために色を使用するか、単純にプロットhomeprobと勝利をプロットします。

いくつかの方法がありますので、いくつかのオプションと再現可能な例を示します。ここで

はあなたに似ているいくつかの作られたデータである。

# random normal data 
randn_data <- rnorm(15000, 0.5, .05) 
df <- data.frame(homeprob = randn_data) 
# random uniform from 0 to 1 
df$randunif <- runif(nrow(df)) 
# new feature is "H" if random uniform is less than homeprob 
df$ftr <- ifelse(df$randunif < df$homeprob, "H", "A") 
df$probcut <- cut(df$homeprob, seq(0.2, 0.8, 0.05)) 

あなたのデータが正常であるので、私はそれが最良の選択肢だろうとは思わないが、今では、総勝利のために色を使用することができますし、周波数は平均値に対する高くなります。

library(dplyr) 
df_plot1 <- df %>% 
    group_by(probcut) %>% 
    summarise(hprob_counts = n(), wins = sum(ftr == "H")) 
# wins as color 
library(ggplot2) 
ggplot(df_plot1, aes(x = probcut, y = hprob_counts, fill = wins)) + 
    geom_col() + 
    scale_y_sqrt() 

私はそれを期待して観察を比較するために、勝率を使用する方がよいと思います。

df_plot2 <- df %>% 
    group_by(probcut) %>% 
    summarise(hprob_counts = n(), wins = sum(ftr == "H")) %>% 
    mutate(win_rate = wins/hprob_counts) 

ggplot(df_plot2, aes(x = probcut, y = hprob_counts, fill = win_rate)) + 
    geom_col() + 
    scale_y_sqrt() 

また、単に配布することなく、homeprobとwin_rateをプロットできます。

ggplot(df_plot2, aes(x = probcut, y = win_rate)) + 
    geom_col() 

うまくいけば、これはあなたが探していた多かれ少なかれものです。