从多个多类分类中查找组内组的最大交集

Question

我有不同的算法将个体分为 A、B、C 或 D 组。

预测的分类数据集看起来像（一团糟！）：

# sample data
df_orig = tibble(
  Individuals = c(1, 2, 3, 4, 5, 6, 7),
  Algorithm_1 = c("A", "B", "A", "C", "A", "A", "D"),
  Algorithm_2 = c("B", "C", "B", "D", "C", "A", "D"),
  Algorithm_3 = c("C", "D", "D", "B", "D", "B", "A"),
  Algorithm_4 = c("D", "B", "C", "A", "B", "A", "A")
)

这些组只有模糊的重叠。 我现在想知道哪些类在各个算法中的个体中具有最大的重叠/交叉。

所需的输出可能类似于（仅是虚构的示例值）

	算法_1	算法_2	算法_3	算法_4
最适合1	A级	B级	类_D	类_C
最佳适合2	类_C	A级	B级	类_D
最佳适合3	B级	B级	类_D	A级
最佳适合3	类_D	类_C	类_D	B级
...	...	...	...	...

到目前为止，我已经尝试过设置理论方法

Reduce(intersect())

，但Reduce似乎在嵌套

dplyr::

结构上效果不佳（或者我使用错误）

df_test <- df_orig %>%
  rownames_to_column() %>% 
  rename(individual = rowname) %>% 
  mutate(individual = individual %>% as.numeric) %>% 
  pivot_longer(starts_with("A"), names_to="algorithm", values_to = "prediction") %>% 
  pivot_wider(values_from = individual, names_from = individual, names_prefix = "I_") %>% 
  nest(individuals  = starts_with("I")) %>% mutate(individuals = lapply(`individuals`, function(x) x[!is.na(x)]))

Reduce(dplyr::intersect, df_test$individuals)

只给出

numeric(0)

；

split

嵌套结构没有考虑基于算法和类预测的条件重叠。

我也考虑过相关方法，例如

# compute correlation
prediction_matrix <- model.matrix(~0+., data=df_orig %>% select(-individuals)) %>% 
  cor(use="pairwise.complete.obs")

但是，这给了我最好的成对相关性，而不是跨多个类的最佳多集。

我有点茫然，希望有聪明人可以帮忙吗？

Answer 1

从示例数据开始

df_orig

，您可以：

• 定义一个辅助函数，对于向量的每个项目，计算其在其余项目中的相等值：

count_matches <- function(xs) unlist(Map(seq_along(xs), f = \(i) sum(xs[i] == xs[-i])))

## > count_matches(c('A', 'B', 'A'))
## [1] 1 0 1

• 从 tidyverse 中排列几个数据帧操作，如下所示：

library(dplyr)
library(tidyverse)

df_orig |>
  pivot_longer(-Individuals, names_to = 'Algorithm', values_to = 'Class') |>
  mutate(cnt = count_matches(Class), .by = Individuals) |>
  summarise(cnt = sum(cnt), .by = c(Algorithm, Class)) |>
  arrange(Algorithm, desc(cnt)) |>
  mutate(Rank = row_number(), 
         Algorithm = gsub('lgorithm', '', Algorithm), ## shorten column labels
         .by = Algorithm) |>
  pivot_wider(names_from = Algorithm, values_from = c(Class, cnt), 
              names_vary = 'slowest'
              )

输出：

## + # A tibble: 4 x 9
##    Rank Class_A_1 cnt_A_1 Class_A_2 cnt_A_2 Class_A_3 cnt_A_3 Class_A_4 cnt_A_4
##   <int> <chr>       <int> <chr>       <int> <chr>       <int> <chr>       <int>
## 1     1 A               2 A               2 A               1 A               3
## 2     2 B               1 D               1 C               0 B               1
## 3     3 D               1 B               0 D               0 D               0
## 4     4 C               0 C               0 B               0 C               0

A（算法）1 显示对 A 类的最高同意（与其他算法），在 2 个实例中与其他人共享他的分类（跨个人和算法）等。