<\/p>\n
Bayesowskie kryterium informacyjne<\/strong> , cz\u0119sto w skr\u00f3cie BIC<\/strong> , jest miar\u0105 stosowan\u0105 do por\u00f3wnywania dobroci dopasowania r\u00f3\u017cnych modeli regresji.<\/span><\/p>\n W praktyce dopasowujemy modele regresji wielokrotnej do tego samego zbioru danych i wybieramy model o najni\u017cszej warto\u015bci BIC jako model najlepiej pasuj\u0105cy do danych.<\/span><\/p>\n Do obliczenia BIC u\u017cywamy nast\u0119puj\u0105cego wzoru:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku jak obliczy\u0107 warto\u015bci BIC dla modeli regresji w R.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy wbudowanego zbioru danych mtcars<\/strong> :<\/span><\/p>\n Nast\u0119pnie dopasujemy kilka r\u00f3\u017cnych modeli regresji, korzystaj\u0105c z tego zbioru danych:<\/span><\/p>\n Aby obliczy\u0107 warto\u015b\u0107 BIC dla ka\u017cdego modelu, mo\u017cemy skorzysta\u0107 z funkcji BIC()<\/strong> z pakietu flexmix<\/strong> :<\/span><\/p>\n Dla ka\u017cdego modelu mo\u017cemy zobaczy\u0107 warto\u015bci BIC:<\/span><\/p>\n Poniewa\u017c model 3 ma najni\u017csz\u0105 warto\u015b\u0107 BIC, wybierzemy go jako model najlepiej pasuj\u0105cy do zbioru danych.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak dopasowa\u0107 popularne modele regresji w R:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> Bayesowskie kryterium informacyjne , cz\u0119sto w skr\u00f3cie BIC , jest miar\u0105 stosowan\u0105 do por\u00f3wnywania dobroci dopasowania r\u00f3\u017cnych modeli regresji. W praktyce dopasowujemy modele regresji wielokrotnej do tego samego zbioru danych i wybieramy model o najni\u017cszej warto\u015bci BIC jako model najlepiej pasuj\u0105cy do danych. Do obliczenia BIC u\u017cywamy nast\u0119puj\u0105cego wzoru: BIC: (RSS+log(n)d\u03c3\u0302 2 ) \/ n […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2136","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Krok 1: Wy\u015bwietl dane<\/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 Krok 2: Zainstaluj wiele szablon\u00f3w<\/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 Krok 3: Wybierz model z najni\u017cszym 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
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w R
Jak wykona\u0107 wa\u017con\u0105 regresj\u0119 metod\u0105 najmniejszych kwadrat\u00f3w w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"