<\/p>\n
Het Bayesiaanse informatiecriterium<\/strong> , vaak afgekort BIC<\/strong> , is een maatstaf die wordt gebruikt om de goodness of fit van verschillende regressiemodellen te vergelijken.<\/span><\/p>\n In de praktijk passen we meerdere regressiemodellen aan dezelfde dataset toe en kiezen we het model met de laagste BIC-waarde als het model dat het beste bij de data past.<\/span><\/p>\n Voor het berekenen van de BIC gebruiken wij de volgende formule:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Goud:<\/span><\/p>\n Het volgende stapsgewijze voorbeeld laat zien hoe u BIC-waarden voor regressiemodellen in R kunt berekenen.<\/span><\/p>\n Voor dit voorbeeld gebruiken we de ingebouwde mtcars<\/strong> -dataset:<\/span><\/p>\n Vervolgens zullen we verschillende regressiemodellen passen met behulp van deze dataset:<\/span><\/p>\n Om de BIC-waarde voor elk model te berekenen, kunnen we de BIC()-<\/strong> functie uit het flexmix-<\/strong> pakket gebruiken:<\/span><\/p>\n We kunnen de BIC-waarden voor elk model zien:<\/span><\/p>\n Omdat model 3 de laagste BIC-waarde heeft, zullen we dit kiezen als het model dat het beste bij de dataset past.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u algemene regressiemodellen in R kunt passen:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> Het Bayesiaanse informatiecriterium , vaak afgekort BIC , is een maatstaf die wordt gebruikt om de goodness of fit van verschillende regressiemodellen te vergelijken. In de praktijk passen we meerdere regressiemodellen aan dezelfde dataset toe en kiezen we het model met de laagste BIC-waarde als het model dat het beste bij de data past. Voor […]<\/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-2138","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Gegevens bekijken<\/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 Stap 2: installeer meerdere sjablonen<\/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 Stap 3: Kies het model met de laagste BIC<\/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
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe logistische regressie uit te voeren in R
Hoe u een gewogen kleinste kwadratenregressie uitvoert in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"