<\/p>\n
Cz\u0119sto, gdy dopasowujemy model regresji liniowej, u\u017cywamy wsp\u00f3\u0142czynnika R-kwadrat,<\/strong> aby oceni\u0107, jak dobrze model pasuje do danych.<\/span><\/p>\n R kwadrat reprezentuje proporcj\u0119 wariancjizmiennej odpowiedzi<\/a> , kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych predykcyjnych w modelu regresji.<\/span><\/p>\n Liczba ta waha si\u0119 od 0 do 1, przy czym wy\u017csze warto\u015bci wskazuj\u0105 na lepsze dopasowanie modelu.<\/span><\/p>\n Jednak\u017ce nie ma warto\u015bci R-kwadrat dla og\u00f3lnych modeli liniowych, takich jak modele regresji logistycznej<\/a> i modele regresji Poissona<\/a> .<\/span><\/p>\n Zamiast tego mo\u017cemy obliczy\u0107 metryk\u0119 znan\u0105 jako R-Squared McFaddena<\/strong> , kt\u00f3ra waha si\u0119 od 0 do nieco poni\u017cej 1, przy czym wy\u017csze warto\u015bci wskazuj\u0105 na lepsze dopasowanie modelu.<\/span><\/p>\n Do obliczenia kwadratu R McFaddena u\u017cywamy nast\u0119puj\u0105cego wzoru:<\/span><\/p>\n R-kwadrat McFaddena = 1 \u2013 ( model<\/sub> wiarygodno\u015bci logarytmicznej \/ logarytm wiarygodno\u015bci zerowej<\/sub> )<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n W praktyce warto\u015bci powy\u017cej 0,40 oznaczaj\u0105, \u017ce model bardzo dobrze pasuje do danych.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak obliczy\u0107 kwadrat R McFaddena dla modelu regresji logistycznej w R.<\/span><\/p>\n W tym przyk\u0142adzie u\u017cyjemy domy\u015blnego<\/strong> zestawu danych z pakietu ISLR. Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby za\u0142adowa\u0107 i wy\u015bwietli\u0107 podsumowanie zbioru danych:<\/span><\/p>\n Ten zbi\u00f3r danych zawiera nast\u0119puj\u0105ce informacje na temat 10 000 os\u00f3b:<\/span><\/p>\n Wykorzystamy status studenta, stan konta bankowego i dochody do zbudowania modelu regresji logistycznej, kt\u00f3ry przewiduje prawdopodobie\u0144stwo niewyp\u0142acalno\u015bci danej osoby:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy nast\u0119puj\u0105cego wzoru do obliczenia warto\u015bci R-kwadrat McFaddena dla tego modelu:<\/span><\/span><\/p>\n Warto\u015b\u0107 R-kwadrat McFaddena wynosi 0,4619194<\/strong> . Warto\u015b\u0107 ta jest do\u015b\u0107 wysoka, co wskazuje, \u017ce nasz model dobrze pasuje do danych i ma du\u017c\u0105 moc predykcyjn\u0105.<\/span><\/p>\n Zauwa\u017c r\u00f3wnie\u017c, \u017ce mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 funkcji pR2()<\/strong> z pakietu pscl<\/strong> do obliczenia warto\u015bci R-kwadrat McFaddena dla modelu:<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce warto\u015b\u0107 ta odpowiada wcze\u015bniej obliczonej.<\/span><\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak obliczy\u0107 R-kwadrat w R<\/a> Cz\u0119sto, gdy dopasowujemy model regresji liniowej, u\u017cywamy wsp\u00f3\u0142czynnika R-kwadrat, aby oceni\u0107, jak dobrze model pasuje do danych. R kwadrat reprezentuje proporcj\u0119 wariancjizmiennej odpowiedzi , kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych predykcyjnych w modelu regresji. Liczba ta waha si\u0119 od 0 do 1, przy czym wy\u017csze warto\u015bci wskazuj\u0105 na lepsze dopasowanie modelu. Jednak\u017ce nie ma warto\u015bci […]<\/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-2947","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad: Obliczanie kwadratu R McFaddena w 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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 skorygowany R-kwadrat w R<\/a>
Jaka jest dobra warto\u015b\u0107 R-kwadrat?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"