我的响应是一个分类变量（一些字母），所以我在构建模型时使用了distribution=’multinomial’，现在我想预测响应并以这些字母的形式获得输出，而不是概率矩阵。

然而，在predict(model, newdata, type='response')中，它给出的是概率，与type='link'的结果相同。

有没有办法获得分类输出？

BST = gbm(V1~.,data=training,distribution='multinomial',n.trees=2000,interaction.depth=4,cv.folds=5,shrinkage=0.005)predBST = predict(BST,newdata=test,type='response')

回答：

在predict.gbm文档中提到：

如果type=”response”，那么gbm会转换回与结果相同的尺度。目前这只会对伯努利分布返回概率和对泊松分布返回预期计数。对于其他分布，”response”和”link”返回相同的结果。

正如Dominic建议的，你应该从预测结果的predBST矩阵中选择概率最高的响应，通过对预测输出的向量使用apply(.., 1, which.max)。这里有一个使用iris数据集的代码示例：

library(gbm)data(iris)df <- iris[,-c(1)] # 移除索引df <- df[sample(nrow(df)),]  # 打乱df.train <- df[1:100,]df.test <- df[101:150,]BST = gbm(Species~.,data=df.train,         distribution='multinomial',         n.trees=200,         interaction.depth=4,         #cv.folds=5,         shrinkage=0.005)predBST = predict(BST,n.trees=200, newdata=df.test,type='response')p.predBST <- apply(predBST, 1, which.max)> predBST[1:6,,]     setosa versicolor  virginica[1,] 0.89010862 0.05501921 0.05487217[2,] 0.09370400 0.45616148 0.45013452[3,] 0.05476228 0.05968445 0.88555327[4,] 0.05452803 0.06006513 0.88540684[5,] 0.05393377 0.06735331 0.87871292[6,] 0.05416855 0.06548646 0.88034499 > head(p.predBST) [1] 1 2 3 3 3 3