<\/p>\n
L’Akaike Information Criterion ( AIC<\/strong> ) \u00e8 una metrica utilizzata per quantificare quanto bene un modello si adatta a un set di dati.<\/span><\/p>\n Viene calcolato come segue:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/strong><\/p>\n Oro:<\/span><\/p>\n L’AIC \u00e8 progettato per trovare il modello che spiega la maggiore variazione nei dati, penalizzando i modelli che utilizzano un numero eccessivo di parametri.<\/span><\/p>\n \u00c8 possibile utilizzare la funzione stepAIC()<\/strong> del pacchetto MASS<\/strong> in R per aggiungere e rimuovere in modo iterativo variabili predittive da un modello di regressione finch\u00e9 non si trova l’insieme di variabili predittive (o “funzionalit\u00e0”) che produce il modello con il valore AIC pi\u00f9 basso.<\/span><\/p>\n Questa funzione utilizza la seguente sintassi di base:<\/span><\/p>\n stepAIC(oggetto, direzione, \u2026)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Per questo esempio, utilizzeremo il set di dati mtcars<\/a> integrato in R, che contiene misurazioni su 11 attributi diversi per 32 auto diverse:<\/span><\/p>\n Supponiamo di voler adattare un modello di regressione utilizzando hp<\/strong> come variabile di risposta e le seguenti potenziali variabili predittive:<\/span><\/p>\n Possiamo utilizzare la funzione stepAIC()<\/strong> del pacchetto MASS<\/b> per aggiungere e sottrarre varie variabili predittive dal modello fino ad arrivare al modello con il valore AIC pi\u00f9 basso possibile:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n (1)<\/strong> Innanzitutto, iniziamo adattando un modello di regressione con le quattro variabili predittive. Questo modello ha un valore AIC di 226,88<\/strong> .<\/span><\/p>\n (2)<\/strong> Successivamente, stepAIC determina che la rimozione di drat<\/strong> come variabile predittrice ridurr\u00e0 ulteriormente il valore AIC a 224,98<\/strong> .<\/span><\/p>\n (3)<\/strong> Successivamente, il modello stepAIC determina che la rimozione di mpg<\/strong> come variabile predittiva ridurr\u00e0 ulteriormente il valore AIC a 224,56<\/strong> .<\/span><\/p>\n (4)<\/strong> Infine, stepAIC determina che non \u00e8 possibile ridurre ulteriormente il valore AIC aggiungendo o rimuovendo variabili.<\/span><\/p>\n Il modello finale \u00e8 quindi:<\/span><\/p>\n cv = 441,26 + 38,67 (peso) \u2013 23,47 (qsec)<\/strong><\/span><\/p>\n Questo modello ha un valore AIC di 224,56<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire la regressione lineare multipla in R<\/a> L’Akaike Information Criterion ( AIC ) \u00e8 una metrica utilizzata per quantificare quanto bene un modello si adatta a un set di dati. Viene calcolato come segue: AIC = 2K \u2013 2 ln (L) Oro: K: il numero di parametri del modello. Il valore predefinito di K \u00e8 2, quindi un modello con una sola […]<\/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
Esempio: utilizzo di stepAIC() per la selezione delle funzionalit\u00e0 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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione a tratti in R<\/a>
Come eseguire la regressione spline in R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"