<\/p>\n
U kunt de functie regsubsets()<\/strong> uit het leaps-<\/strong> pakket in R gebruiken om de subset van voorspellende variabelen te vinden die het beste regressiemodel oplevert.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Voor dit voorbeeld gebruiken we de mtcars<\/a> -dataset die is ingebouwd in R, die metingen bevat van 11 verschillende attributen voor 32 verschillende auto’s.<\/span><\/p>\n Stel dat we een regressiemodel willen fitten met hp<\/strong> als responsvariabele en de volgende potenti\u00eble voorspellende variabelen:<\/span><\/p>\n We kunnen de functie regsubsets()<\/strong> uit het leaps-<\/strong> pakket gebruiken om een uitgebreide zoekopdracht uit te voeren om het beste regressiemodel te vinden:<\/span><\/p>\n De sterren ( *<\/strong> ) onderaan het resultaat geven aan welke voorspellende variabelen tot het beste regressiemodel behoren voor elk mogelijk model met een verschillend aantal voorspellende variabelen.<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Voor een model met \u00e9\u00e9n enkele voorspellende variabele wordt het beste regressiemodel geproduceerd met behulp van mpg<\/strong> als voorspellende variabele.<\/span><\/p>\n Voor een model met twee voorspellende variabelen wordt het beste regressiemodel geproduceerd met behulp van wt<\/b> en qsec<\/strong> als voorspellende variabelen.<\/span><\/p>\n Voor een model met drie voorspellende variabelen wordt het beste regressiemodel geproduceerd met behulp van mpg<\/strong> , wt<\/b> en qsec<\/strong> als voorspellende variabelen.<\/span><\/p>\n Voor een model met vier voorspellende variabelen wordt het beste regressiemodel geproduceerd met behulp van mpg<\/strong> , wt<\/b> , drat<\/strong> en qsec<\/strong> als voorspellende variabelen.<\/span><\/p>\n Houd er rekening mee dat u voor elk model ook de volgende statistieken kunt extraheren:<\/span><\/span><\/p>\n We kunnen bijvoorbeeld de volgende syntaxis gebruiken om de aangepaste R-kwadraatwaarde voor elk van de vier beste modellen te extraheren:<\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Deze waarden geven ons een idee van hoe goed de set voorspellende variabelen de waarde van de responsvariabele voorspelde, aangepast op basis van het aantal voorspellende variabelen in het model.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe meervoudige lineaire regressie uit te voeren in R<\/a> U kunt de functie regsubsets() uit het leaps- pakket in R gebruiken om de subset van voorspellende variabelen te vinden die het beste regressiemodel oplevert. Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken. Voorbeeld: regsubsets() gebruiken voor modelselectie in R Voor dit voorbeeld gebruiken we de mtcars -dataset die […]<\/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-4492","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: regsubsets() gebruiken voor modelselectie 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> (leaps)\n\n#find best regression model\n<\/span>bestSubsets <- regsubsets(hp ~ mpg + wt + drat + qsec, data=mtcars)\n\n#view results\n<\/span>summary(bestSubsets)\n\nSubset selection object\nCall: regsubsets.formula(hp ~ mpg + wt + drat + qsec, data = mtcars)\n4 Variables (and intercept)\n Forced in Forced out\nmpg FALSE FALSE\nwt FALSE FALSE\ndrat FALSE FALSE\nqsec FALSE FALSE\n1 subsets of each size up to 4\nSelection Algorithm: exhaustive\n mpg wt drat qsec\n1 ( 1 ) \"*\" \" \" \" \" \" \" \n2 (1) \" \" \"*\" \" \" \"*\" \n3 ( 1 ) \u201c*\u201d \u201c*\u201d \u201c \u201c \u201c*\u201d \n4 ( 1 ) \u201c*\u201d \u201c*\u201d \u201c*\u201d \u201c*\u201d<\/strong><\/span><\/pre>\n\n
#view adjusted R-squared value of each model<\/span>\nsummary(bestSubsets)$adjr2\n\n[1] 0.5891853 0.7828169 0.7858829 0.7787005\n<\/strong><\/span><\/pre>\n\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe stuksgewijs regressie uit te voeren in R<\/a>
Hoe spline-regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"