<\/p>\n
Das Akaike Information Criterion ( AIC<\/strong> ) ist eine Metrik zur Quantifizierung, wie gut ein Modell zu einem Datensatz passt.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/strong><\/p>\n Gold:<\/span><\/p>\n AIC soll das Modell finden, das die gr\u00f6\u00dfte Variation in den Daten erkl\u00e4rt, und gleichzeitig Modelle bestrafen, die eine \u00fcberm\u00e4\u00dfige Anzahl von Parametern verwenden.<\/span><\/p>\n Sie k\u00f6nnen die Funktion \u201estepAIC()\u201c<\/strong> aus dem MASS-<\/strong> Paket in R verwenden, um einem Regressionsmodell iterativ Pr\u00e4diktorvariablen hinzuzuf\u00fcgen und daraus zu entfernen, bis Sie den Satz von Pr\u00e4diktorvariablen (oder \u201eFeatures\u201c) gefunden haben, der das Modell mit dem niedrigsten AIC-Wert erzeugt.<\/span><\/p>\n Diese Funktion verwendet die folgende grundlegende Syntax:<\/span><\/p>\n stepAIC(Objekt, Richtung, \u2026)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den in R integrierten mtcars-<\/a> Datensatz, der Messungen zu 11 verschiedenen Attributen f\u00fcr 32 verschiedene Autos enth\u00e4lt:<\/span><\/p>\n Angenommen, wir m\u00f6chten ein Regressionsmodell anpassen, das hp<\/strong> als Antwortvariable und die folgenden potenziellen Pr\u00e4diktorvariablen verwendet:<\/span><\/p>\n Wir k\u00f6nnen die Funktion \u201estepAIC()\u201c<\/strong> aus dem MASS-<\/b> Paket verwenden, um verschiedene Pr\u00e4diktorvariablen zum Modell zu addieren und davon zu subtrahieren, bis wir das Modell mit dem niedrigstm\u00f6glichen AIC-Wert erreichen:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n (1)<\/strong> Zun\u00e4chst beginnen wir mit der Anpassung eines Regressionsmodells mit den vier Pr\u00e4diktorvariablen. Dieses Modell hat einen AIC-Wert von 226,88<\/strong> .<\/span><\/p>\n (2)<\/strong> Als n\u00e4chstes bestimmt stepAIC, dass das Entfernen von drat<\/strong> als Pr\u00e4diktorvariable den AIC-Wert weiter auf 224,98<\/strong> reduzieren wird.<\/span><\/p>\n (3)<\/strong> Als n\u00e4chstes bestimmt das stepAIC-Modell, dass das Entfernen von mpg<\/strong> als Pr\u00e4diktorvariable den AIC-Wert weiter auf 224,56<\/strong> reduzieren wird.<\/span><\/p>\n (4)<\/strong> Schlie\u00dflich stellt StepAIC fest, dass es keine M\u00f6glichkeit gibt, den AIC-Wert durch Hinzuf\u00fcgen oder Entfernen von Variablen weiter zu reduzieren.<\/span><\/p>\n Das endg\u00fcltige Modell lautet daher:<\/span><\/p>\n PS = 441,26 + 38,67 (Gewicht) \u2013 23,47 (qsec)<\/strong><\/span><\/p>\n Dieses Modell hat einen AIC-Wert von 224,56<\/strong> .<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a> Das Akaike Information Criterion ( AIC ) ist eine Metrik zur Quantifizierung, wie gut ein Modell zu einem Datensatz passt. Es wird wie folgt berechnet: AIC = 2K \u2013 2 ln (L) Gold: K: Die Anzahl der Modellparameter. Der Standardwert von K ist 2, sodass ein Modell mit nur einer Pr\u00e4diktorvariablen einen K-Wert von 2+1 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
Beispiel: Verwendung von stepAIC() zur Funktionsauswahl in R<\/strong><\/span><\/h2>\n
#view first six rows of mtcars dataset<\/strong><\/span>\nhead(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n\n
library<\/span> (MASS)\n\n#fit initial multiple linear regression model\n<\/span>model <- lm(hp ~ mpg + wt + drat + qsec, data=mtcars)\n\n#use both forward and backward selection to find model with lowest AIC\n<\/span>stepAIC(model, direction=\" both<\/span> \")\n\nStart: AIC=226.88\nhp ~ mpg + wt + drat + qsec\n\n Df Sum of Sq RSS AIC\n- drat 1 94.9 28183 224.98\n- mpg 1 1519.4 29608 226.56\n none 28088 226.88\n- wt 1 3861.9 31950 229.00\n-qsec 1 28102.2 56190 247.06\n\nStep: AIC=224.98\nhp ~ mpg + wt + qsec\n\n Df Sum of Sq RSS AIC\n- mpg 1 1424.5 29608 224.56\n none 28183 224.98\n+ drat 1 94.9 28088 226.88\n- wt 1 3797.9 31981 227.03\n-qsec 1 29625.1 57808 245.97\n\nStep: AIC=224.56\nhp ~ wt + qsec\n\n Df Sum of Sq RSS AIC\n none 29608 224.56\n+ mpg 1 1425 28183 224.98\n+ drat 1 0 29608 226.56\n- wt 1 43026 72633 251.28\n-qsec 1 52881 82489 255.35\n\nCall:\nlm(formula = hp ~ wt + qsec, data = mtcars)\n\nCoefficients:\n(Intercept) wt qsec \n 441.26 38.67 -23.47 \n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine st\u00fcckweise Regression in R durch<\/a>
So f\u00fchren Sie eine Spline-Regression in R durch<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"