我测量了城市中约1500棵树的多个属性（高度，物种，冠幅，条件等）。使用遥感技术，我还拥有该城市其余9000棵树的高度。我想通过使用它们的高度来模拟/生成/估计这些未测量树的缺失属性。从测得的数据中我可以获得测量种群中每个物种的比例（以及粗略概率），每个物种的高度分布，物种的高度 - 冠幅关系，物种条件关系等等。我想使用未测量树木的高度数据首先估计物种，然后使用概率理论估计其余属性。因此，对于25米高的地方，它更可能是雪松（身高范围5-30米），而不是桑树（身高范围2-8米），更可能是雪松（人口的50％）比橡树（相同的高度范围，但人口的2％），因此冠幅宽度为10米，健康状况为95％（根据我测量的数据，杉树的分布情况）。但我也希望有25米的其他树木能够得到橡木，而根据人口的比例，这种树木比杉树要少。使用现有数据和概率模拟数据
有没有办法在R中使用概率理论做到这一点，最好是利用贝叶斯或机器学习方法？
我没有要求别人为我写代码 - 我对R有相当的经验。我只是想指出正确的方向，即一个整齐地做这种事情的包。
谢谢！
我建议你在随机变量上查看带有表CPD的贝叶斯网络。这是一个生成模型，可以处理缺失的数据，并对变量之间的偶然关系进行推理。贝叶斯网络结构可以由手动指定或通过算法从数据中学习。
R具有与bnlearn是其中之一贝叶斯网络的几种实现方式：http://www.bnlearn.com/
请参阅如何在这里使用它的教程：https://www.r-bloggers.com/bayesian-network-in-r-introduction/
对于每一个物种，其他变量的分布（高度，宽度，条件）可能是一个相当简单的凹凸。您可以将高度和宽度建模为联合高斯分布;不了解情况。无论如何，对于物种以外的其他变量的联合分布，您可以构建所有这些每物种颠簸的混合分布，混合权重等于可用数据中每个物种的比例。考虑到高度，你可以找到其他变量的条件分布，条件是高度（它也将是一个混合分布）。考虑到有条件的混合，你可以像往常一样采样：挑选频率等于其混合重量的颠簸，然后从选定的凹凸处采样。
听起来像一个很好的问题。祝好运并玩得开心点。
因为你想要预测一个分类变量，即物种，你应该考虑使用树回归，这个方法可以在R packages rpart和RandomForest中找到。如果您有不同数量的类别，那么这些模型就非常出色，您需要将观察结果插入这些类别。我认为这些软件包可以在你的应用程序中运行作为比较，您还可以查看多项式回归（mnlogit，nnet，maxent），这也可以预测分类结果;不幸的是，多项式回归会导致大量结果和/或大型数据集的不便。
如果您想要预测物种中单个树木的单个值，请首先对所测量的树木中的所有测量变量（包括物种类型）进行回归。然后，采用您预测的分类标签，并预测未测量树木的样本外，您可以使用分类标签作为未测量感兴趣变量（例如树高）的预测变量。这样，回归将预测该物种/虚拟变量的平均高度，并加上一些错误，并将该样本树上的任何其他信息合并在一起。
如果您想要使用贝叶斯方法，请考虑使用层次回归来对这些样本外预测进行建模。有时层级模型在预测方面做得更好，因为它们往往相当保守。考虑一下一些例子，看一下Rstanarm软件包。