基本上,你的问题归结为有一些变量(例如你示例中的Word1、Word2和Word3)和一个二进制结果(例如你示例中的Author),想知道不同变量在确定该结果方面的重要性。一种自然的方法是训练回归模型来使用这些变量预测结果,并检查模型中变量的重要性。我将在这里包括两种方法(逻辑回归和随机森林),但也可以使用其他许多方法。
让我们从一个稍微大一点的示例开始,其中结果仅取决于Word2和Word3,而Word2的影响要比Word3大得多:
set.seed(144)
dat <- data.frame(Word1=rnorm(10000), Word2=rnorm(10000), Word3=rnorm(10000))
dat$Author <- ifelse(runif(10000) < 1/(1+exp(-10*dat$Word2+dat$Word3)), "A", "B")
我们可以使用逻辑回归模型预测作者的摘要来确定最重要的变量:
summary(glm(I(Author=="A")~., data=dat, family="binomial"))
从p值可以看出,Word2具有较大的正向作用,而Word3具有较大的负向作用。从系数中可以看出,Word2对结果有更大的影响(因为我们知道所有变量都在同一尺度上构建)。
我们可以使用随机森林预测作者结果的变量重要性来进行类似的分析:
library(randomForest)
rf <- randomForest(as.factor(Author)~., data=dat)
rf$importance
我们可以确定Word2是迄今为止最重要的变量。这告诉我们另一个有趣的事实——既然我们知道了Word2,那么在预测结果方面,Word3实际上并不比Word1更有用(因为Word1未被用于计算结果)。