<\/p>\n
Il criterio informativo bayesiano<\/strong> , spesso abbreviato BIC<\/strong> , \u00e8 una misura utilizzata per confrontare la bont\u00e0 dell’adattamento di diversi modelli di regressione.<\/span><\/p>\n In pratica, adattiamo pi\u00f9 modelli di regressione allo stesso set di dati e scegliamo il modello con il valore BIC pi\u00f9 basso come modello che meglio si adatta ai dati.<\/span><\/p>\n Utilizziamo la seguente formula per calcolare il BIC:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Oro:<\/span><\/p>\n Il seguente esempio passo passo mostra come calcolare i valori BIC per i modelli di regressione in R.<\/span><\/p>\n Per questo esempio, utilizzeremo il set di dati mtcars<\/strong> integrato:<\/span><\/p>\n Successivamente, adatteremo diversi modelli di regressione utilizzando questo set di dati:<\/span><\/p>\n Per calcolare il valore BIC per ciascun modello, possiamo utilizzare la funzione BIC()<\/strong> dal pacchetto flexmix<\/strong> :<\/span><\/p>\n Possiamo vedere i valori BIC per ciascun modello:<\/span><\/p>\n Poich\u00e9 il modello 3 ha il valore BIC pi\u00f9 basso, lo sceglieremo come il modello che meglio si adatta al set di dati.<\/span><\/p>\n I seguenti tutorial spiegano come adattare i modelli di regressione comuni in R:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Il criterio informativo bayesiano , spesso abbreviato BIC , \u00e8 una misura utilizzata per confrontare la bont\u00e0 dell’adattamento di diversi modelli di regressione. In pratica, adattiamo pi\u00f9 modelli di regressione allo stesso set di dati e scegliamo il modello con il valore BIC pi\u00f9 basso come modello che meglio si adatta ai dati. Utilizziamo la […]<\/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
Passaggio 1: visualizzare i dati<\/strong><\/span><\/h3>\n
#view first six rows of mtcars dataset\nhead(mtcars)<\/span>\n<\/span>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 Passaggio 2: installa pi\u00f9 modelli<\/strong><\/span><\/h3>\n
#fit three different regression models\nmodel1 <- lm(mpg ~ disp + hp, data = mtcars)<\/span>\nmodel2 <- lm(mpg ~ disp + qsec, data = mtcars)<\/span>\nmodel3 <- lm(mpg ~ disp + wt, data = mtcars)<\/span>\n<\/span><\/strong><\/pre>\n Passaggio 3: Scegli il modello con il BIC pi\u00f9 basso<\/strong><\/span><\/h3>\n
library<\/span> (flexmix)\n\n#calculate BIC of model1\n<\/span>BIC(model1)\n\n[1] 174.4815\n\n#calculate BIC of model2\n<\/span>BIC(model2)\n\n[1] 177.7048\n\n#calculate BIC of model3\n<\/span>BIC(model3)\n\n[1] 170.0307\n<\/span><\/span><\/strong><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione logistica in R
Come eseguire la regressione dei minimi quadrati ponderati in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"