<\/p>\n
Wanneer we een lineair regressiemodel passen, gebruiken we vaak R-kwadraat<\/strong> om te evalueren hoe goed een model bij de gegevens past.<\/span><\/p>\n R kwadraat vertegenwoordigt het deel van de variantie in deresponsvariabele<\/a> dat kan worden verklaard door de voorspellende variabelen in een regressiemodel.<\/span><\/p>\n Dit getal varieert van 0 tot 1, waarbij hogere waarden wijzen op een betere pasvorm van het model.<\/span><\/p>\n Er is echter geen R-kwadraatwaarde voor algemene lineaire modellen zoals logistische regressiemodellen<\/a> en Poisson-regressiemodellen<\/a> .<\/span><\/p>\n In plaats daarvan kunnen we een metriek berekenen die bekend staat als McFadden’s R-Squared<\/strong> , die varieert van 0 tot iets minder dan 1, waarbij hogere waarden wijzen op een betere pasvorm van het model.<\/span><\/p>\n We gebruiken de volgende formule om McFadden’s R kwadraat te berekenen:<\/span><\/p>\n McFadden’s R-kwadraat = 1 \u2013 (log- waarschijnlijkheidsmodel<\/sub> \/ nul-<\/sub> log-waarschijnlijkheid)<\/span><\/p>\n Goud:<\/span><\/p>\n In de praktijk geven waarden boven de 0,40 aan dat een model zeer goed bij de data past.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u McFadden’s R-kwadraat kunt berekenen voor een logistisch regressiemodel in R.<\/span><\/p>\n Voor dit voorbeeld gebruiken we de standaarddataset<\/strong> uit het ISLR-pakket. We kunnen de volgende code gebruiken om een samenvatting van de dataset te laden en weer te geven:<\/span><\/p>\n Deze dataset bevat de volgende informatie over 10.000 personen:<\/span><\/p>\n We zullen de studentenstatus, het banksaldo en het inkomen gebruiken om een logistisch regressiemodel op te bouwen dat de waarschijnlijkheid voorspelt dat een bepaald individu in gebreke blijft:<\/span><\/p>\n Vervolgens zullen we de volgende formule gebruiken om de R-kwadraatwaarde van McFadden voor dit model te berekenen:<\/span><\/span><\/p>\n De R-kwadraatwaarde van McFadden blijkt 0,4619194<\/strong> te zijn. Deze waarde is vrij hoog, wat aangeeft dat ons model goed bij de gegevens past en een hoge voorspellende kracht heeft.<\/span><\/p>\n Merk ook op dat we ook de functie pR2()<\/strong> uit het pscl-<\/strong> pakket kunnen gebruiken om de McFadden R-kwadraatwaarde voor het model te berekenen:<\/span><\/p>\n Merk op dat deze waarde overeenkomt met de eerder berekende waarde.<\/span><\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe R-kwadraat in R te berekenen<\/a> Wanneer we een lineair regressiemodel passen, gebruiken we vaak R-kwadraat om te evalueren hoe goed een model bij de gegevens past. R kwadraat vertegenwoordigt het deel van de variantie in deresponsvariabele dat kan worden verklaard door de voorspellende variabelen in een regressiemodel. Dit getal varieert van 0 tot 1, waarbij hogere waarden wijzen op een […]<\/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-2949","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: Berekening van McFadden’s R-kwadraat in R<\/strong><\/span><\/h3>\n
#install and load ISLR package\ninstall. packages<\/span> (' ISLR<\/span> ')<\/span>\nlibrary<\/span> (ISLR)<\/span>\n\n#define dataset<\/span>\ndata <- ISLR::Default\n\n#view summary of dataset\n<\/span>summary(data)\n\n default student balance income \n No:9667 No:7056 Min. : 0.0 Min. : 772 \n Yes: 333 Yes:2944 1st Qu.: 481.7 1st Qu.:21340 \n Median: 823.6 Median: 34553 \n Mean: 835.4 Mean: 33517 \n 3rd Qu.:1166.3 3rd Qu.:43808 \n Max. :2654.3 Max. :73554 \n\n#find total observations in dataset<\/span>\nnrow(data)\n\n[1] 10000\n<\/strong><\/pre>\n\n
#fit logistic regression model<\/span>\nmodel <- glm(default~student+balance+income, family=' binomial<\/span> ', data=data)\n\n#view model summary<\/span>\nsummary(model)\n\nCall:\nglm(formula = default ~ balance + student + income, family = \"binomial\", \n data = data)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-2.4691 -0.1418 -0.0557 -0.0203 3.7383 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) -1.087e+01 4.923e-01 -22.080 < 2e-16 ***\nbalance 5.737e-03 2.319e-04 24.738 < 2e-16 ***\nstudentYes -6.468e-01 2.363e-01 -2.738 0.00619 ** \nincome 3.033e-06 8.203e-06 0.370 0.71152 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 2920.6 on 9999 degrees of freedom\nResidual deviance: 1571.5 on 9996 degrees of freedom\nAIC: 1579.5\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #calculate McFadden's R-squared for model<\/span>\nwith(summary(model), 1 - deviance\/null. deviance<\/span> )\n\n[1] 0.4619194\n<\/strong><\/pre>\n #install and load pscl package<\/span>\ninstall. packages<\/span> (' pscl<\/span> ')\nlibrary<\/span> (pscl)\n\n#calculate McFadden's R-squared for model<\/span>\npR2(model)[' McFadden<\/span> ']\n\n McFadden \n0.4619194\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u het aangepaste R-kwadraat in R kunt berekenen<\/a>
Wat is een goede R-kwadraatwaarde?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"