{"id":1216,"date":"2023-07-27T06:34:51","date_gmt":"2023-07-27T06:34:51","guid":{"rendered":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat-di-r\/"},"modified":"2023-07-27T06:34:51","modified_gmt":"2023-07-27T06:34:51","slug":"spline-regresi-adaptif-multivariat-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat-di-r\/","title":{"rendered":"Spline regresi adaptif multivariat di r"},"content":{"rendered":"

<\/p>\n

\n

Spline regresi adaptif multivariat<\/a> (MARS) dapat digunakan untuk memodelkan hubungan nonlinier antara sekumpulan variabel prediktor dan variabel respons<\/a> .<\/span><\/p>\n

Metode ini berfungsi sebagai berikut:<\/span><\/p>\n

1.<\/strong> Bagilah kumpulan data menjadi k<\/em> bagian.<\/span><\/p>\n

2.<\/strong> Sesuaikan model regresi untuk setiap bagian.<\/span><\/p>\n

3.<\/strong> Gunakan validasi silang k-fold untuk memilih nilai k<\/em> .<\/span><\/p>\n

Tutorial ini memberikan contoh langkah demi langkah tentang cara menyesuaikan model MARS ke kumpulan data di R.<\/span><\/p>\n

Langkah 1: Muat paket yang diperlukan<\/strong><\/h3>\n

Untuk contoh ini, kita akan menggunakan dataset ISLR Wage<\/strong> .  <\/em><\/strong> paket yang berisi gaji tahunan 3.000 orang beserta berbagai variabel prediktor seperti usia, pendidikan, ras, dan lainnya.<\/span><\/p>\n

Sebelum memasang model MARS ke data, kami akan memuat paket yang diperlukan:<\/span><\/p>\n

 library<\/span> (ISLR) #contains Wage dataset<\/span>\nlibrary<\/span> (dplyr) #data wrangling<\/span>\nlibrary<\/span> (ggplot2) #plotting<\/span>\nlibrary<\/span> (earth) #fitting MARS models<\/span>\nlibrary<\/span> (caret) #tuning model parameters<\/span>\n<\/strong><\/pre>\n
 Langkah 2: Lihat data<\/strong><\/h3>\n
 Selanjutnya, kami akan menampilkan enam baris pertama dari dataset yang sedang kami kerjakan:<\/span><\/p>\n
 #view first six rows of data<\/span>\nhead<\/span> (Wage)\n\n       year age maritl race education region\n231655 2006 18 1. Never Married 1. White 1. < HS Grad 2. Middle Atlantic\n86582 2004 24 1. Never Married 1. White 4. College Grad 2. Middle Atlantic\n161300 2003 45 2. Married 1. White 3. Some College 2. Middle Atlantic\n155159 2003 43 2. Married 3. Asian 4. College Grad 2. Middle Atlantic\n11443 2005 50 4. Divorced 1. White 2. HS Grad 2. Middle Atlantic\n376662 2008 54 2. Married 1. White 4. College Grad 2. Middle Atlantic\n             jobclass health health_ins logwage wage\n231655 1. Industrial 1. <=Good 2. No 4.318063 75.04315\n86582 2. Information 2. >=Very Good 2. No 4.255273 70.47602\n161300 1. Industrial 1. <=Good 1. Yes 4.875061 130.98218\n155159 2. Information 2. >=Very Good 1. Yes 5.041393 154.68529\n11443 2. Information 1. <=Good 1. Yes 4.318063 75.04315\n376662 2. Information 2. >=Very Good 1. Yes 4.845098 127.11574\n<\/strong><\/pre>\n
 Langkah 3: Buat dan optimalkan model MARS<\/strong><\/span><\/h3>\n
 Selanjutnya, kita akan membuat model MARS untuk kumpulan data ini dan melakukan validasi silang k-fold<\/a> untuk menentukan model mana yang menghasilkan tes RMSE (mean square error) terendah.<\/span><\/p>\n
 #create a tuning grid\n<\/span>hyper_grid <- expand. grid<\/span> (degree = 1:3,\n                          nprune = seq<\/span> (2, 50, length.out = 10) %>%<\/span>\nfloor<\/span> ())\n\n#make this example reproducible\n<\/span>set.seed(1)\n\n#fit MARS model using k-fold cross-validation\n<\/span>cv_mars <- train(\n  x = subset(Wage, select = -c(wage, logwage)),\n  y = Wage$wage,\n  method = \" earth<\/span> \",\n  metric = \" RMSE<\/span> \",\n  trControl = trainControl(method = \" cv<\/span> \", number = 10),\n  tuneGrid = hyper_grid)\n\n#display model with lowest test RMSE<\/span>\ncv_mars$results %>%<\/span>\n  filter<\/span> (nprune==cv_mars$bestTune$nprune, degree =cv_mars$bestTune$degree)    \ndegree nprune RMSE Rsquared MAE RMSESD RsquaredSD MAESD\t\t\n1 12 33.8164 0.3431804 22.97108 2.240394 0.03064269 1.4554\n<\/span><\/strong><\/pre>\n
 Dari hasil tersebut, kita dapat melihat bahwa model yang menghasilkan MSE pengujian terendah adalah model yang hanya memiliki efek orde pertama (yaitu, tanpa suku interaksi) dan 12 suku. Model ini menghasilkan root mean square error (RMSE) sebesar 33.8164<\/strong> .<\/span><\/p>\n
 Kita juga dapat membuat bagan untuk memvisualisasikan pengujian RMSE berdasarkan derajat dan jumlah suku:<\/span> <\/p>\n
 #display test RMSE by terms and degree<\/span>\nggplot(cv_mars)\n<\/span><\/strong><\/pre>\n
\"Model<\/p>\n
 Dalam praktiknya, kami akan mengadaptasi model MARS dengan beberapa jenis model lain seperti:<\/span><\/p>\n
 Catatan:<\/strong> Kami menggunakan metode=\u201dearth\u201d untuk menentukan model MARS. Anda dapat menemukan dokumentasi untuk metode ini di sini<\/a> .<\/span><\/em><\/p>\n