{"id":1171,"date":"2023-07-27T10:03:32","date_gmt":"2023-07-27T10:03:32","guid":{"rendered":"https:\/\/statorials.org\/de\/lassen-sie-eine-kreuzvalidierung-in-r-aus\/"},"modified":"2023-07-27T10:03:32","modified_gmt":"2023-07-27T10:03:32","slug":"lassen-sie-eine-kreuzvalidierung-in-r-aus","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/lassen-sie-eine-kreuzvalidierung-in-r-aus\/","title":{"rendered":"Leave-one-out-kreuzvalidierung in r (mit beispielen)"},"content":{"rendered":"

<\/p>\n

\n

Um die Leistung eines Modells anhand eines Datensatzes zu bewerten, m\u00fcssen wir messen, wie gut die vom Modell gemachten Vorhersagen mit den beobachteten Daten \u00fcbereinstimmen.<\/span><\/p>\n

Eine hierf\u00fcr h\u00e4ufig verwendete Methode ist die sogenannte Leave-One-Out Cross-Validation (LOOCV)<\/a> , die den folgenden Ansatz verwendet:<\/span><\/p>\n

1.<\/strong> Teilen Sie einen Datensatz in einen Trainingssatz und einen Testsatz auf und verwenden Sie dabei alle Beobachtungen bis auf eine als Teil des Trainingssatzes.<\/span><\/p>\n

2.<\/strong> Erstellen Sie ein Modell, das nur Daten aus dem Trainingssatz verwendet.<\/span><\/p>\n

3.<\/strong> Verwenden Sie das Modell, um den Antwortwert der vom Modell ausgeschlossenen Beobachtung vorherzusagen und den mittleren quadratischen Fehler (MSE) zu berechnen.<\/span><\/p>\n

4.<\/strong> Wiederholen Sie diesen Vorgang n<\/em> -mal. Berechnen Sie den Test-MSE als Durchschnitt aller Test-MSE.<\/span><\/p>\n

Der einfachste Weg, LOOCV in R auszuf\u00fchren, ist die Verwendung der trainControl()-<\/a> Funktion aus der Caret-<\/strong> Bibliothek in R.<\/span><\/p>\n

Dieses Tutorial bietet ein kurzes Beispiel daf\u00fcr, wie Sie diese Funktion verwenden, um LOOCV f\u00fcr ein bestimmtes Modell in R durchzuf\u00fchren.<\/span><\/p>\n

Beispiel: Leave-One-Out-Kreuzvalidierung in R<\/strong><\/span><\/h3>\n

Angenommen, wir haben den folgenden Datensatz in R:<\/span><\/p>\n

 #create data frame<\/span>\ndf <- data.frame(y=c(6, 8, 12, 14, 14, 15, 17, 22, 24, 23),\n                 x1=c(2, 5, 4, 3, 4, 6, 7, 5, 8, 9),\n                 x2=c(14, 12, 12, 13, 7, 8, 7, 4, 6, 5))\n\n#view data frame\n<\/span>df\n\ny x1 x2\n6 2 14\n8 5 12\n12 4 12\n14 3 13\n14 4 7\n15 6 8\n17 7 7\n22 5 4\n24 8 6\n23 9 5\n<\/strong><\/pre>\n
 Der folgende Code zeigt, wie man in R ein multiples lineares Regressionsmodell<\/a> an diesen Datensatz anpasst und LOOCV durchf\u00fchrt, um die Leistung des Modells zu bewerten:<\/span><\/p>\n
 library<\/span> (caret)<\/span>\n\n#specify the cross-validation method<\/span>\nctrl <- trainControl(method = \" LOOCV<\/span> \")\n\n#fit a regression model and use LOOCV to evaluate performance\n<\/span>model <- train(y ~ x1 + x2, data = df, method = \" lm<\/span> \", trControl = ctrl)\n\n#view summary of LOOCV               \n<\/span>print(model)\n\nLinear Regression \n\n10 samples\n 2 predictors\n\nNo pre-processing\nResampling: Leave-One-Out Cross-Validation \nSummary of sample sizes: 9, 9, 9, 9, 9, 9, ... \nResampling results:\n\n  RMSE Rsquared MAE     \n  3.619456 0.6186766 3.146155\n\nTuning parameter 'intercept' was held constant at a value of TRUE\n<\/strong><\/pre>\n
 So interpretieren Sie das Ergebnis:<\/span><\/p>\n