{"id":1213,"date":"2023-07-27T06:34:51","date_gmt":"2023-07-27T06:34:51","guid":{"rendered":"https:\/\/statorials.org\/pl\/wielowymiarowe-krzywe-regresji-adaptacyjnej-w-r\/"},"modified":"2023-07-27T06:34:51","modified_gmt":"2023-07-27T06:34:51","slug":"wielowymiarowe-krzywe-regresji-adaptacyjnej-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/wielowymiarowe-krzywe-regresji-adaptacyjnej-w-r\/","title":{"rendered":"Wielowymiarowe krzywe regresji adaptacyjnej w r"},"content":{"rendered":"

<\/p>\n

\n

Wielowymiarowe krzywe regresji adaptacyjnej<\/a> (MARS) mo\u017cna wykorzysta\u0107 do modelowania nieliniowych relacji mi\u0119dzy zestawem zmiennych predykcyjnych a zmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n

Ta metoda dzia\u0142a w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n

1.<\/strong> Podziel zbi\u00f3r danych na k<\/em> cz\u0119\u015bci.<\/span><\/p>\n

2.<\/strong> Dopasuj model regresji do ka\u017cdej cz\u0119\u015bci.<\/span><\/p>\n

3.<\/strong> U\u017cyj k-krotnej walidacji krzy\u017cowej, aby wybra\u0107 warto\u015b\u0107 k<\/em> .<\/span><\/p>\n

W tym samouczku przedstawiono krok po kroku przyk\u0142ad dopasowania modelu MARS do zbioru danych w j\u0119zyku R.<\/span><\/p>\n

Krok 1: Za\u0142aduj niezb\u0119dne pakiety<\/strong><\/h3>\n

W tym przyk\u0142adzie u\u017cyjemy zbioru danych ISLR Wage<\/strong> .  <\/em><\/strong> pakiet zawieraj\u0105cy roczne wynagrodzenia 3000 os\u00f3b wraz z r\u00f3\u017cnymi zmiennymi predykcyjnymi, takimi jak wiek, wykszta\u0142cenie, rasa i inne.<\/span><\/p>\n

Przed dopasowaniem modelu MARS do danych za\u0142adujemy niezb\u0119dne pakiety:<\/span><\/p>\n

 library<\/span> (ISLR) #contains Wage dataset<\/span>\nlibrary<\/span> (dplyr) #data wrangling<\/span>\nlibrary<\/span> (ggplot2) #plotting<\/span>\nlibrary<\/span> (earth) #fitting MARS models<\/span>\nlibrary<\/span> (caret) #tuning model parameters<\/span>\n<\/strong><\/pre>\n
 Krok 2: Wy\u015bwietl dane<\/strong><\/h3>\n
 Nast\u0119pnie wy\u015bwietlimy pierwsze sze\u015b\u0107 wierszy zbioru danych, z kt\u00f3rym pracujemy:<\/span><\/p>\n
 #view first six rows of data<\/span>\nhead<\/span> (Wage)\n\n       year age maritl race education region\n231655 2006 18 1. Never Married 1. White 1. < HS Grad 2. Middle Atlantic\n86582 2004 24 1. Never Married 1. White 4. College Grad 2. Middle Atlantic\n161300 2003 45 2. Married 1. White 3. Some College 2. Middle Atlantic\n155159 2003 43 2. Married 3. Asian 4. College Grad 2. Middle Atlantic\n11443 2005 50 4. Divorced 1. White 2. HS Grad 2. Middle Atlantic\n376662 2008 54 2. Married 1. White 4. College Grad 2. Middle Atlantic\n             jobclass health health_ins logwage wage\n231655 1. Industrial 1. <=Good 2. No 4.318063 75.04315\n86582 2. Information 2. >=Very Good 2. No 4.255273 70.47602\n161300 1. Industrial 1. <=Good 1. Yes 4.875061 130.98218\n155159 2. Information 2. >=Very Good 1. Yes 5.041393 154.68529\n11443 2. Information 1. <=Good 1. Yes 4.318063 75.04315\n376662 2. Information 2. >=Very Good 1. Yes 4.845098 127.11574\n<\/strong><\/pre>\n
 Krok 3: Utw\u00f3rz i zoptymalizuj model MARS<\/strong><\/span><\/h3>\n
 Nast\u0119pnie utworzymy model MARS dla tego zbioru danych i przeprowadzimy k-krotn\u0105 weryfikacj\u0119 krzy\u017cow\u0105<\/a> , aby okre\u015bli\u0107, kt\u00f3ry model daje najni\u017cszy testowy RMSE (\u015bredni b\u0142\u0105d kwadratowy).<\/span><\/p>\n
 #create a tuning grid\n<\/span>hyper_grid <- expand. grid<\/span> (degree = 1:3,\n                          nprune = seq<\/span> (2, 50, length.out = 10) %>%<\/span>\nfloor<\/span> ())\n\n#make this example reproducible\n<\/span>set.seed(1)\n\n#fit MARS model using k-fold cross-validation\n<\/span>cv_mars <- train(\n  x = subset(Wage, select = -c(wage, logwage)),\n  y = Wage$wage,\n  method = \" earth<\/span> \",\n  metric = \" RMSE<\/span> \",\n  trControl = trainControl(method = \" cv<\/span> \", number = 10),\n  tuneGrid = hyper_grid)\n\n#display model with lowest test RMSE<\/span>\ncv_mars$results %>%<\/span>\n  filter<\/span> (nprune==cv_mars$bestTune$nprune, degree =cv_mars$bestTune$degree)    \ndegree nprune RMSE Rsquared MAE RMSESD RsquaredSD MAESD\t\t\n1 12 33.8164 0.3431804 22.97108 2.240394 0.03064269 1.4554\n<\/span><\/strong><\/pre>\n
 Z wynik\u00f3w wida\u0107, \u017ce model, kt\u00f3ry da\u0142 najni\u017cszy test MSE, by\u0142 modelem z jedynie efektami pierwszego rz\u0119du (tj. bez sk\u0142adnik\u00f3w interakcji) i 12 sk\u0142adnikami. Model ten da\u0142 \u015bredni b\u0142\u0105d kwadratowy (RMSE) wynosz\u0105cy 33,8164<\/strong> .<\/span><\/p>\n
 Mo\u017cemy r\u00f3wnie\u017c utworzy\u0107 wykres wizualizuj\u0105cy test RMSE na podstawie stopnia i liczby termin\u00f3w:<\/span> <\/p>\n
 #display test RMSE by terms and degree<\/span>\nggplot(cv_mars)\n<\/span><\/strong><\/pre>\n
\"Model<\/p>\n
 W praktyce dostosowaliby\u015bmy model MARS do kilku innych typ\u00f3w modeli, takich jak:<\/span><\/p>\n
 Uwaga:<\/strong> U\u017cyli\u015bmy metody = \u201eearth\u201d, aby okre\u015bli\u0107 model MARS. Dokumentacj\u0119 tej metody mo\u017cna znale\u017a\u0107 tutaj<\/a> .<\/span><\/em><\/p>\n