{"id":1175,"date":"2023-07-27T09:44:39","date_gmt":"2023-07-27T09:44:39","guid":{"rendered":"https:\/\/statorials.org\/de\/k-fache-kreuzvalidierung-in-r\/"},"modified":"2023-07-27T09:44:39","modified_gmt":"2023-07-27T09:44:39","slug":"k-fache-kreuzvalidierung-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/k-fache-kreuzvalidierung-in-r\/","title":{"rendered":"K-fold-kreuzvalidierung in r (schritt f\u00fcr schritt)"},"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 k-fache Kreuzvalidierung<\/a> , die den folgenden Ansatz verwendet:<\/span><\/p>\n

1.<\/strong> Teilen Sie einen Datensatz zuf\u00e4llig in k<\/em> Gruppen oder \u201eFaltungen\u201c von ungef\u00e4hr gleicher Gr\u00f6\u00dfe auf.<\/span><\/p>\n

2.<\/strong> W\u00e4hlen Sie eine der Falten als R\u00fcckhalteset. Passen Sie die Schablone an die verbleibenden K-1-Falten an. Berechnen Sie den MSE-Test anhand der Beobachtungen in der gespannten Lage.<\/span><\/p>\n

3.<\/strong> Wiederholen Sie diesen Vorgang k<\/em> -mal, wobei Sie jedes Mal einen anderen Satz als Ausschlusssatz verwenden.<\/span><\/p>\n

4.<\/strong> Berechnen Sie den Gesamttest-MSE als Durchschnitt der k<\/em> Test-MSEs.<\/span><\/p>\n

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

Dieses Tutorial bietet ein kurzes Beispiel f\u00fcr die Verwendung dieser Funktion zur Durchf\u00fchrung einer k-fachen Kreuzvalidierung f\u00fcr ein bestimmtes Modell in R.<\/span><\/p>\n

Beispiel: K-Fold-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 ein multiples lineares Regressionsmodell<\/a> an diesen Datensatz in R anpasst und eine k-fache Kreuzvalidierung mit k = 5 Mal 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 = \" cv<\/span> \", number = 5)\n\n#fit a regression model and use k-fold CV to evaluate performance\n<\/span>model <- train(y ~ x1 + x2, data = df, method = \" lm<\/span> \", trControl = ctrl)\n\n#view summary of k-fold CV               \n<\/span>print(model)\n\nLinear Regression \n\n10 samples\n 2 predictors\n\nNo pre-processing\nResampling: Cross-Validated (5 fold) \nSummary of sample sizes: 8, 8, 8, 8, 8 \nResampling results:\n\n  RMSE Rsquared MAE     \n  3.018979 1 2.882348\n\nTuning parameter 'intercept' was held constant at a value of TRUE\n<\/strong><\/pre>\n
 So interpretieren Sie das Ergebnis:<\/span><\/p>\n