<\/p>\n
Het Akaike Information Criterion ( AIC<\/strong> ) is een metriek die wordt gebruikt om te kwantificeren hoe goed een model bij een dataset past.<\/span><\/p>\n Het wordt als volgt berekend:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n AIC is ontworpen om het model te vinden dat de meeste variatie in de gegevens verklaart, terwijl modellen worden bestraft die een buitensporig aantal parameters gebruiken.<\/span><\/p>\n U kunt de functie stepAIC()<\/strong> uit het MASS-<\/strong> pakket in R gebruiken om iteratief voorspellingsvariabelen toe te voegen aan en te verwijderen uit een regressiemodel totdat u de set voorspellingsvariabelen (of „features“) vindt die het model met de laagste AIC-waarde produceert.<\/span><\/p>\n Deze functie gebruikt de volgende basissyntaxis:<\/span><\/p>\n stapAIC(object, richting, \u2026)<\/strong><\/span><\/p>\n Goud:<\/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 stepAIC()<\/strong> uit het MASS-<\/b> pakket gebruiken om verschillende voorspellende variabelen uit het model op te tellen en af te trekken totdat we bij het model komen met de laagst mogelijke AIC-waarde:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n (1)<\/strong> Eerst beginnen we met het fitten van een regressiemodel met de vier voorspellende variabelen. Dit model heeft een AIC-waarde van 226,88<\/strong> .<\/span><\/p>\n (2)<\/strong> Vervolgens bepaalt stepAIC dat het verwijderen van drat<\/strong> als voorspellende variabele de AIC-waarde verder zal verlagen tot 224,98<\/strong> .<\/span><\/p>\n (3)<\/strong> Vervolgens bepaalt het stepAIC-model dat het verwijderen van mpg<\/strong> als voorspellende variabele de AIC-waarde verder zal verlagen tot 224,56<\/strong> .<\/span><\/p>\n (4)<\/strong> Ten slotte bepaalt stepAIC dat er geen manier is om de AIC-waarde verder te verlagen door variabelen toe te voegen of te verwijderen.<\/span><\/p>\n Het uiteindelijke model is daarom:<\/span><\/p>\n pk = 441,26 + 38,67 (gewicht) \u2013 23,47 (qsec)<\/strong><\/span><\/p>\n Dit model heeft een AIC-waarde van 224,56<\/strong> .<\/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> Het Akaike Information Criterion ( AIC ) is een metriek die wordt gebruikt om te kwantificeren hoe goed een model bij een dataset past. Het wordt als volgt berekend: AIC = 2K \u2013 2 ln (L) Goud: K: Het aantal modelparameters. De standaardwaarde van K is 2, dus een model met slechts \u00e9\u00e9n voorspellende variabele […]<\/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-4508","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
Voorbeeld: stepAIC() gebruiken voor objectselectie 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> (MASS)\n\n#fit initial multiple linear regression model\n<\/span>model <- lm(hp ~ mpg + wt + drat + qsec, data=mtcars)\n\n#use both forward and backward selection to find model with lowest AIC\n<\/span>stepAIC(model, direction=\" both<\/span> \")\n\nStart: AIC=226.88\nhp ~ mpg + wt + drat + qsec\n\n Df Sum of Sq RSS AIC\n- drat 1 94.9 28183 224.98\n- mpg 1 1519.4 29608 226.56\n none 28088 226.88\n- wt 1 3861.9 31950 229.00\n-qsec 1 28102.2 56190 247.06\n\nStep: AIC=224.98\nhp ~ mpg + wt + qsec\n\n Df Sum of Sq RSS AIC\n- mpg 1 1424.5 29608 224.56\n none 28183 224.98\n+ drat 1 94.9 28088 226.88\n- wt 1 3797.9 31981 227.03\n-qsec 1 29625.1 57808 245.97\n\nStep: AIC=224.56\nhp ~ wt + qsec\n\n Df Sum of Sq RSS AIC\n none 29608 224.56\n+ mpg 1 1425 28183 224.98\n+ drat 1 0 29608 226.56\n- wt 1 43026 72633 251.28\n-qsec 1 52881 82489 255.35\n\nCall:\nlm(formula = hp ~ wt + qsec, data = mtcars)\n\nCoefficients:\n(Intercept) wt qsec \n 441.26 38.67 -23.47 \n<\/strong><\/span><\/pre>\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><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"