{"id":1173,"date":"2023-07-27T10:03:32","date_gmt":"2023-07-27T10:03:32","guid":{"rendered":"https:\/\/statorials.org\/it\/lasciare-una-convalida-incrociata-in-r\/"},"modified":"2023-07-27T10:03:32","modified_gmt":"2023-07-27T10:03:32","slug":"lasciare-una-convalida-incrociata-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/lasciare-una-convalida-incrociata-in-r\/","title":{"rendered":"Convalida incrociata leave-one-out in r (con esempi)"},"content":{"rendered":"

<\/p>\n

\n

Per valutare le prestazioni di un modello su un set di dati, dobbiamo misurare quanto bene le previsioni fatte dal modello corrispondono ai dati osservati.<\/span><\/p>\n

Un metodo comunemente utilizzato per eseguire questa operazione \u00e8 noto come Leave-One-Out Cross-Validation (LOOCV)<\/a> , che utilizza il seguente approccio:<\/span><\/p>\n

1.<\/strong> Suddividere un set di dati in un set di training e in un set di test, utilizzando tutte le osservazioni tranne una come parte del set di training.<\/span><\/p>\n

2.<\/strong> Crea un modello utilizzando solo i dati del set di training.<\/span><\/p>\n

3.<\/strong> Utilizzare il modello per prevedere il valore di risposta dell’osservazione esclusa dal modello e calcolare l’errore quadratico medio (MSE).<\/span><\/p>\n

4.<\/strong> Ripeti questo processo n<\/em> volte. Calcolare l’MSE del test come media di tutti gli MSE del test.<\/span><\/p>\n

Il modo pi\u00f9 semplice per eseguire LOOCV in R \u00e8 utilizzare la funzione trainControl()<\/a> dalla libreria caret<\/strong> in R.<\/span><\/p>\n

Questo tutorial fornisce un rapido esempio di come utilizzare questa funzione per eseguire LOOCV per un determinato modello in R.<\/span><\/p>\n

Esempio: convalida incrociata Leave-One-Out in R<\/strong><\/span><\/h3>\n

Supponiamo di avere il seguente set di dati 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
 Il codice seguente mostra come adattare un modello di regressione lineare multipla<\/a> a questo set di dati in R ed eseguire LOOCV per valutare le prestazioni del modello:<\/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
 Ecco come interpretare il risultato:<\/span><\/p>\n