原创R语言高级回归模型算法案例数据分析报告论文附代码数据Word文档格式.docx
- 文档编号:13055196
- 上传时间:2022-10-03
- 格式:DOCX
- 页数:36
- 大小:300.93KB
原创R语言高级回归模型算法案例数据分析报告论文附代码数据Word文档格式.docx
《原创R语言高级回归模型算法案例数据分析报告论文附代码数据Word文档格式.docx》由会员分享,可在线阅读,更多相关《原创R语言高级回归模型算法案例数据分析报告论文附代码数据Word文档格式.docx(36页珍藏版)》请在冰豆网上搜索。
Residuals:
-8.91753-1.73127 0.06187 1.54306 6.50163#>
Coefficients:
Value
Std.Error
tvalue
(Intercept)
-41.0265
9.8073
-4.1832
Air.Flow
0.8294
0.1112
7.4597
Water.Temp
0.9261
0.3034
3.0524
Acid.Conc.
-0.1278
0.1289
-0.9922
Residualstandarderror:
2.441on17degreesoffreedom
比较性能rlm()与lm()
让我们构建等效lm()模型,以便我们可以将错误与相应的拟合值进行比较。
lm_mod<
-lm(stack.loss~.,stackloss) #lmregmodel
计算错误
mae mse rmse mape
#Errorsfromlm()modelDMwR:
:
regr.eval(stackloss$stack.loss,lm_mod$fitted.values)
2.36662028.51571252.91816940.1458878
#Errorsfromrlm()modelDMwR:
regr.eval(stackloss$stack.loss,rlm_mod$fitted.values)
2.19522329.07352833.01222980.1317191
正如预期的那样,稳健回归模型的误差小于线性回归模型。
概率回归
Probit回归可以用来解决二元分类问题,就像逻辑回归一样。
虽然逻辑回归使用累积逻辑函数,但是概率回归使用正态累积密度函数用于估计模型。
指定概率模型类似于逻辑回归,即使用glm()函数但family参数设置为
binomial(link="
probit"
)。
示例问题
让我们使用逻辑回归中的相同示例,并尝试预测一个人是否会赚取超过50,000美元。
因此,在运行构建概率模型的下面的代码之前,您必须按照逻辑回归的步骤导入并准备培训和测试数据。
probitMod<
-glm(ABOVE50K~RELATIONSHIP+AGE+CAPITALGAIN+OCCUPATION+
EDUCATIONNUM,data=trainingData,family=binomial(link="
)) #buildthelogitmodel
predicted<
-predict(probitMod,testData,type="
response"
) #predicttheprobabilityscores
summary(probitMod) #modelsummary#>
EDUCATIONNUM,family=binomial(link="
),data=trainingData)
glm(formula=ABOVE50K~RELATIONSHIP+AGE+CAPITALGAIN+OCCUPATION+
DevianceResiduals:
-4.5104 -0.5506 -0.0005 0.6515 3.6745#>
Estimate
zvalue
Pr(>
|z|)
-2.590e+00
1.401e-01
-18.492
<
2e-16
***
RELATIONSHIPNot-in-family -1.330e+00 4.039e-02-32.929 <
2e-16***
RELATIONSHIPOther-relative
-1.565e+00
1.406e-01
-11.135
2e-16
RELATIONSHIPOwn-child
-1.986e+00
8.785e-02
-22.611
RELATIONSHIPUnmarried
-1.466e+00
6.308e-02
-23.241
RELATIONSHIPWife
1.758e-01
6.387e-02
2.753
0.005910
**
AGE
1.523e-02
1.358e-03
11.214
CAPITALGAIN
1.744e-04
9.158e-06
19.045
OCCUPATIONAdm-clerical
4.955e-01
9.583e-02
5.170
2.34e-07
OCCUPATIONArmed-Forces
7.364e-01
1.034e+00
0.712
0.476343
OCCUPATIONCraft-repair
7.247e-01
9.246e-02
7.838
4.59e-15
OCCUPATIONExec-managerial
1.141e+00
9.117e-02
12.520
OCCUPATIONFarming-fishing
7.620e-02
1.237e-01
0.616
0.537808
OCCUPATIONHandlers-cleaners 3.048e-01 1.295e-01 2.3530.018599*
OCCUPATION
Machine-op-inspct
4.044e-01
1.060e-01
3.816
0.000136***
Other-service
8.727e-02
1.098e-01
0.795
0.426548
Prof-specialty
9.801e-01
9.354e-02
10.477
Protective-serv
8.934e-01
1.271e-01
7.031
2.06e-12
Sales
8.024e-01
9.325e-02
8.605
Tech-support
9.705e-01
1.157e-01
8.387
OCCUPATIONPriv-house-serv -1.605e+00 1.245e+00 -1.2890.197400
EDUCATIONNUM 1.575e-01 7.696e-03 20.464 <
OCCUPATIONTransport-moving 6.133e-01 1.054e-01 5.8215.86e-09***
---
Signif.codes:
0'
***'
0.001'
**'
0.01'
*'
0.05'
.'
0.1'
'
1#>
Nulldeviance:
15216.0 on10975 degreesoffreedom
(Dispersionparameterforbinomialfamilytakentobe1)#>
Residualdeviance:
8753.6 on10953 degreesoffreedom#>
AIC:
8799.6
NumberofFisherScoringiterations:
8
几乎所有的X小号有P值小于0.05。
所以预测因子的重要性应该在这里引起关注。
可以忽略几个OCCUPATION不重要的类别级别,因为大多数其他级别具有可接受的p值。
模型诊断
概率模型的模型诊断与逻辑回归的情况相同。
确定最佳截止
library(InformationValue)
optCutOff<
-optimalCutoff(testData$ABOVE50K,predicted_scores)[1]#=>
[1]0.88
ROC曲线
plotROC(testData$ABOVE50K,predicted_scores)
ROC曲线下的面积略高于logit模型的面积。
因此,这可能是首选的模型。
和谐
Concordance(testData$ABOVE50K,predicted)#>
$Concordance
[1]0.891276
一致性与logit模型的数据类似。
错误分类错误
misClassError(testData$ABOVE50K,predicted_scores,threshold=optCutOff)#=>
0.0894
错误分类错误略高于logit模型。
特异性和敏感性
sensitivity(testData$ABOVE50K,predicted_scores,threshold=optCutOff)#>
0.359541
specificity(testData$ABOVE50K,predicted_scores,threshold=optCutOff)#>
0.97
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 原创 语言 高级 回归 模型 算法 案例 数据 分析 报告 论文 代码
![提示](https://static.bdocx.com/images/bang_tan.gif)