{"id":1220,"date":"2023-07-27T06:02:37","date_gmt":"2023-07-27T06:02:37","guid":{"rendered":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/"},"modified":"2023-07-27T06:02:37","modified_gmt":"2023-07-27T06:02:37","slug":"classificatie-en-regressiebomen-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/","title":{"rendered":"Hoe classificatie- en regressiebomen in r passen"},"content":{"rendered":"

<\/p>\n

\n

Wanneer de relatie tussen een reeks voorspellende variabelen en een responsvariabele<\/a> lineair is, kunnen methoden zoals meervoudige lineaire regressie<\/a> nauwkeurige voorspellende modellen opleveren.<\/span><\/p>\n

Wanneer de relatie tussen een reeks voorspellers en een respons echter complexer is, kunnen niet-lineaire methoden vaak nauwkeurigere modellen opleveren.<\/span><\/p>\n

E\u00e9n zo’n methode is classificatie- en regressiebomen<\/a> (CART), waarbij een reeks voorspellende variabelen wordt gebruikt om beslissingsbomen te cre\u00ebren die de waarde van een responsvariabele voorspellen.<\/span><\/p>\n

Als de responsvariabele continu is, kunnen we regressiebomen bouwen en als de responsvariabele categorisch is, kunnen we classificatiebomen bouwen.<\/span><\/p>\n

In deze tutorial wordt uitgelegd hoe u regressie- en classificatiebomen maakt in R.<\/span><\/p>\n

Voorbeeld 1: Een regressieboom bouwen in R<\/strong><\/span><\/h3>\n

Voor dit voorbeeld gebruiken we de Hitters-<\/strong> dataset uit het ISLR-<\/strong> pakket, die verschillende informatie bevat over 263 professionele honkbalspelers.<\/span><\/p>\n

We zullen deze dataset gebruiken om een regressieboom te construeren die de voorspellende variabelen van homeruns<\/em> en gespeelde jaren<\/em> gebruikt om het salaris<\/em> van een bepaalde speler te voorspellen.<\/span><\/p>\n

Gebruik de volgende stappen om deze regressieboom te maken.<\/span><\/p>\n

Stap 1: Laad de benodigde pakketten.<\/strong><\/span><\/p>\n

Eerst laden we de benodigde pakketten voor dit voorbeeld:<\/span><\/p>\n

 library<\/span> (ISLR) #contains Hitters dataset<\/span>\nlibrary<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (rpart.plot) #for plotting decision trees\n<\/span><\/strong><\/pre>\n
 Stap 2: Bouw de initi\u00eble regressieboom.<\/strong><\/span><\/p>\n
 Eerst zullen we een grote initi\u00eble regressieboom bouwen. We kunnen garanderen dat de boom groot is door een kleine waarde te gebruiken voor cp<\/strong> , wat staat voor „complexiteitsparameter“.<\/span><\/p>\n
 Dit betekent dat we verdere splitsingen op de regressieboom zullen uitvoeren zolang de totale R-kwadraat van het model toeneemt met ten minste de waarde gespecificeerd door cp.<\/span><\/p>\n
 We zullen dan de functie printcp()<\/strong> gebruiken om de modelresultaten af te drukken:<\/span><\/p>\n
 #build the initial tree\n<\/span>tree <- rpart(Salary ~ Years + HmRun, data=Hitters, control=rpart. control<\/span> (cp= .0001<\/span> ))\n\n#view results<\/span>\nprintcp(tree)\n\nVariables actually used in tree construction:\n[1] HmRun Years\n\nRoot node error: 53319113\/263 = 202734\n\nn=263 (59 observations deleted due to missingness)\n\n           CP nsplit rel error xerror xstd\n1 0.24674996 0 1.00000 1.00756 0.13890\n2 0.10806932 1 0.75325 0.76438 0.12828\n3 0.01865610 2 0.64518 0.70295 0.12769\n4 0.01761100 3 0.62652 0.70339 0.12337\n5 0.01747617 4 0.60891 0.70339 0.12337\n6 0.01038188 5 0.59144 0.66629 0.11817\n7 0.01038065 6 0.58106 0.65697 0.11687\n8 0.00731045 8 0.56029 0.67177 0.11913\n9 0.00714883 9 0.55298 0.67881 0.11960\n10 0.00708618 10 0.54583 0.68034 0.11988\n11 0.00516285 12 0.53166 0.68427 0.11997\n12 0.00445345 13 0.52650 0.68994 0.11996\n13 0.00406069 14 0.52205 0.68988 0.11940\n14 0.00264728 15 0.51799 0.68874 0.11916\n15 0.00196586 16 0.51534 0.68638 0.12043\n16 0.00016686 17 0.51337 0.67577 0.11635\n17 0.00010000 18 0.51321 0.67576 0.11615\nn=263 (59 observations deleted due to missingness)\n<\/span><\/span><\/strong><\/pre>\n
 Stap 3: Snoei de boom.<\/strong><\/span><\/p>\n
 Vervolgens zullen we de regressieboom snoeien om de optimale waarde te vinden die we kunnen gebruiken voor cp (de complexiteitsparameter) die tot de laagste testfout leidt.<\/span><\/p>\n
 Merk op dat de optimale waarde voor cp degene is die leidt tot de laagste x-fout<\/strong> in de vorige uitvoer, die de fout vertegenwoordigt op de waarnemingen uit de kruisvalidatiegegevens.<\/span> <\/p>\n
 #identify best cp value to use\nbest <- tree$cptable[which. min<\/span> (tree$cptable[,\" xerror<\/span> \"]),\" CP<\/span> \"]\n\n#produce a pruned tree based on the best cp value\n<\/span>pruned_tree <- prune<\/span> (tree, cp=best)\n\n#plot the pruned tree\n<\/span>prp(pruned_tree,\n    faclen= 0<\/span> , #use full names for factor labels<\/span>\n    extra= 1<\/span> , #display number of obs. for each terminal node<\/span>\n    roundint= F<\/span> , #don't round to integers in output<\/span>\n    digits= 5<\/span> ) #display 5 decimal places in output\n<\/span><\/span><\/span><\/span><\/strong><\/pre>\n
\"Regressieboom<\/p>\n
 We kunnen zien dat de uiteindelijk gesnoeide boom zes eindknooppunten heeft. Elk bladknooppunt geeft het voorspelde salaris weer van de spelers in dat knooppunt, evenals het aantal observaties uit de oorspronkelijke dataset dat bij die rang hoort.<\/span><\/p>\n
 We kunnen bijvoorbeeld zien dat er in de originele dataset 90 spelers waren met minder dan 4,5 jaar ervaring en dat hun gemiddelde salaris $225,83K bedroeg.<\/span> <\/p>\n
\"Een<\/p>\n
 Stap 4: Gebruik de boom om voorspellingen te doen.<\/strong><\/span><\/p>\n
 We kunnen de laatst gesnoeide boom gebruiken om het salaris van een bepaalde speler te voorspellen op basis van zijn jarenlange ervaring en gemiddelde homeruns.<\/span><\/p>\n
 Een speler met zeven jaar ervaring en gemiddeld vier homeruns heeft bijvoorbeeld een verwacht salaris van \u20ac502,81k<\/strong> .<\/span> <\/p>\n
\"Voorbeeld<\/p>\n
 We kunnen de voorspellen()<\/strong> functie in R gebruiken om dit te bevestigen:<\/span><\/p>\n
 #define new player\nnew <- data.frame(Years=7, HmRun=4)\n\n<\/span>#use pruned tree to predict salary of this player\npredict(pruned_tree, newdata=new)\n\n502.8079<\/span><\/span><\/span><\/strong><\/pre>\n
 Voorbeeld 2: Een classificatieboom bouwen in R<\/strong><\/span><\/h3>\n
 Voor dit voorbeeld gebruiken we de ptitanic-<\/strong> dataset uit het pakket rpart.plot<\/strong> , die verschillende informatie bevat over de passagiers aan boord van de Titanic.<\/span><\/p>\n
 We zullen deze dataset gebruiken om een classificatieboom te maken die de voorspellende variabelen klasse<\/em> , geslacht<\/em> en leeftijd<\/em> gebruikt om te voorspellen of een bepaalde passagier het heeft overleefd of niet.<\/span><\/p>\n
 Gebruik de volgende stappen om deze classificatieboom te maken.<\/span><\/p>\n
 Stap 1: Laad de benodigde pakketten.<\/strong><\/span><\/p>\n
 Eerst laden we de benodigde pakketten voor dit voorbeeld:<\/span><\/p>\n
 library<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (rpart.plot) #for plotting decision trees\n<\/span><\/strong><\/pre>\n
 Stap 2: Bouw de initi\u00eble classificatieboom.<\/strong><\/span><\/p>\n
 Eerst zullen we een grote initi\u00eble classificatieboom bouwen. We kunnen garanderen dat de boom groot is door een kleine waarde te gebruiken voor cp<\/strong> , wat staat voor „complexiteitsparameter“.<\/span><\/p>\n
 Dit betekent dat we verdere splitsingen in de classificatieboom zullen uitvoeren zolang de algehele modelfit met ten minste de door cp gespecificeerde waarde toeneemt.<\/span><\/p>\n
 We zullen dan de functie printcp()<\/strong> gebruiken om de modelresultaten af te drukken:<\/span><\/p>\n
 #build the initial tree\n<\/span>tree <- rpart(survived~pclass+sex+age, data=ptitanic, control=rpart. control<\/span> (cp= .0001<\/span> ))\n\n#view results<\/span>\nprintcp(tree)\n\nVariables actually used in tree construction:\n[1] age pclass sex   \n\nRoot node error: 500\/1309 = 0.38197\n\nn=1309 \n\n      CP nsplit rel error xerror xstd\n1 0.4240 0 1.000 1.000 0.035158\n2 0.0140 1 0.576 0.576 0.029976\n3 0.0095 3 0.548 0.578 0.030013\n4 0.0070 7 0.510 0.552 0.029517\n5 0.0050 9 0.496 0.528 0.029035\n6 0.0025 11 0.486 0.532 0.029117\n7 0.0020 19 0.464 0.536 0.029198\n8 0.0001 22 0.458 0.528 0.029035\n<\/span><\/span><\/strong><\/pre>\n
 Stap 3: Snoei de boom.<\/strong><\/span><\/p>\n
 Vervolgens zullen we de regressieboom snoeien om de optimale waarde te vinden die we kunnen gebruiken voor cp (de complexiteitsparameter) die tot de laagste testfout leidt.<\/span><\/p>\n
 Merk op dat de optimale waarde voor cp degene is die leidt tot de laagste x-fout<\/strong> in de vorige uitvoer, die de fout vertegenwoordigt op de waarnemingen uit de kruisvalidatiegegevens.<\/span> <\/p>\n
 #identify best cp value to use\nbest <- tree$cptable[which. min<\/span> (tree$cptable[,\" xerror<\/span> \"]),\" CP<\/span> \"]\n\n#produce a pruned tree based on the best cp value\n<\/span>pruned_tree <- prune<\/span> (tree, cp=best)\n\n#plot the pruned tree\n<\/span>prp(pruned_tree,\n    faclen= 0<\/span> , #use full names for factor labels\n    extra= 1<\/span> , #display number of obs. for each terminal node\n    roundint= F<\/span> , #don't round to integers in output\n    digits= 5<\/span> ) #display 5 decimal places in output\n<\/span><\/span><\/span><\/strong><\/pre>\n
\"Boomclassificatie<\/p>\n
 We kunnen zien dat de uiteindelijk gesnoeide boom 10 eindknooppunten heeft. Elk terminalknooppunt geeft het aantal omgekomen passagiers aan, evenals het aantal overlevenden.<\/span><\/p>\n
 In het meest linkse knooppunt zien we bijvoorbeeld dat 664 passagiers omkwamen en 136 overleefden.<\/span> <\/p>\n
\"Interpretatie<\/p>\n
 Stap 4: Gebruik de boom om voorspellingen te doen.<\/strong><\/span><\/p>\n
 We kunnen de laatste gesnoeide boom gebruiken om de waarschijnlijkheid te voorspellen dat een bepaalde passagier zal overleven op basis van zijn klasse, leeftijd en geslacht.<\/span><\/p>\n
 Een mannelijke passagier van 8 jaar en in de 1e klas heeft bijvoorbeeld een overlevingskans van 11\/29 = 37,9%.<\/span> <\/p>\n
\"Boomclassificatie<\/p>\n
 De volledige R-code die in deze voorbeelden wordt gebruikt, vindt u hier<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"
Wanneer de relatie tussen een reeks voorspellende variabelen en een responsvariabele lineair is, kunnen methoden zoals meervoudige lineaire regressie nauwkeurige voorspellende modellen opleveren. Wanneer de relatie tussen een reeks voorspellers en een respons echter complexer is, kunnen niet-lineaire methoden vaak nauwkeurigere modellen opleveren. E\u00e9n zo’n methode is classificatie- en regressiebomen (CART), waarbij een reeks voorspellende […]<\/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":[],"class_list":["post-1220","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\nHoe classificatie- en regressiebomen in R passen<\/title>\n<meta name=\"description\" content=\"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Hoe classificatie- en regressiebomen in R passen\" \/>\n<meta property=\"og:description\" content=\"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:02:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre3.png\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"5\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/\",\"url\":\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/\",\"name\":\"Hoe classificatie- en regressiebomen in R passen\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-27T06:02:37+00:00\",\"dateModified\":\"2023-07-27T06:02:37+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Hoe classificatie- en regressiebomen in r passen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Hoe classificatie- en regressiebomen in R passen","description":"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/","og_locale":"de_DE","og_type":"article","og_title":"Hoe classificatie- en regressiebomen in R passen","og_description":"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.","og_url":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:02:37+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre3.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"5\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/","url":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/","name":"Hoe classificatie- en regressiebomen in R passen","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-27T06:02:37+00:00","dateModified":"2023-07-27T06:02:37+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze tutorial wordt uitgelegd hoe u classificatie- en regressiebomen in R kunt passen, met stapsgewijze voorbeelden.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/classificatie-en-regressiebomen-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Hoe classificatie- en regressiebomen in r passen"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1220","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=1220"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1220\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=1220"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=1220"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=1220"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}