{"id":1173,"date":"2023-07-27T10:03:32","date_gmt":"2023-07-27T10:03:32","guid":{"rendered":"https:\/\/statorials.org\/nl\/laat-een-kruisvalidatie-achter-in-r\/"},"modified":"2023-07-27T10:03:32","modified_gmt":"2023-07-27T10:03:32","slug":"laat-een-kruisvalidatie-achter-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/laat-een-kruisvalidatie-achter-in-r\/","title":{"rendered":"Leave-one-out kruisvalidatie in r (met voorbeelden)"},"content":{"rendered":"

<\/p>\n

\n

Om de prestaties van een model op een dataset te evalueren, moeten we meten hoe goed de voorspellingen van het model overeenkomen met de waargenomen gegevens.<\/span><\/p>\n

Een veelgebruikte methode om dit te doen staat bekend als Leave-One-Out Cross-Validation (LOOCV)<\/a> , waarbij de volgende aanpak wordt gebruikt:<\/span><\/p>\n

1.<\/strong> Splits een dataset op in een trainingsset en een testset, waarbij op \u00e9\u00e9n na alle observaties worden gebruikt als onderdeel van de trainingsset.<\/span><\/p>\n

2.<\/strong> Maak een model met alleen gegevens uit de trainingsset.<\/span><\/p>\n

3.<\/strong> Gebruik het model om de responswaarde te voorspellen van de waarneming die is uitgesloten van het model en bereken de gemiddelde kwadratische fout (MSE).<\/span><\/p>\n

4.<\/strong> Herhaal dit proces n<\/em> keer. Bereken de test-MSE als het gemiddelde van alle test-MSE’s.<\/span><\/p>\n

De eenvoudigste manier om LOOCV in R uit te voeren is door de functie trainControl()<\/a> uit de caret-<\/strong> bibliotheek in R te gebruiken.<\/span><\/p>\n

Deze tutorial geeft een snel voorbeeld van hoe u deze functie kunt gebruiken om LOOCV uit te voeren voor een bepaald model in R.<\/span><\/p>\n

Voorbeeld: Leave-One-Out kruisvalidatie in R<\/strong><\/span><\/h3>\n

Stel dat we de volgende dataset in R hebben:<\/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
 De volgende code laat zien hoe u een meervoudig lineair regressiemodel<\/a> aan deze gegevensset in R kunt aanpassen en LOOCV kunt uitvoeren om de prestaties van het model te evalueren:<\/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
 Zo interpreteert u het resultaat:<\/span><\/p>\n