{"id":1172,"date":"2023-07-27T10:03:32","date_gmt":"2023-07-27T10:03:32","guid":{"rendered":"https:\/\/statorials.org\/pt\/deixe-uma-validacao-cruzada-de-fora-em-r\/"},"modified":"2023-07-27T10:03:32","modified_gmt":"2023-07-27T10:03:32","slug":"deixe-uma-validacao-cruzada-de-fora-em-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/deixe-uma-validacao-cruzada-de-fora-em-r\/","title":{"rendered":"Valida\u00e7\u00e3o cruzada leave-one-out em r (com exemplos)"},"content":{"rendered":"

<\/p>\n

\n

Para avaliar o desempenho de um modelo em um conjunto de dados, precisamos medir at\u00e9 que ponto as previs\u00f5es feitas pelo modelo correspondem aos dados observados.<\/span><\/p>\n

Um m\u00e9todo comumente usado para fazer isso \u00e9 conhecido como Leave-One-Out Cross-Validation (LOOCV)<\/a> , que usa a seguinte abordagem:<\/span><\/p>\n

1.<\/strong> Divida um conjunto de dados em um conjunto de treinamento e um conjunto de teste, usando todas as observa\u00e7\u00f5es, exceto uma, como parte do conjunto de treinamento.<\/span><\/p>\n

2.<\/strong> Crie um modelo usando apenas dados do conjunto de treinamento.<\/span><\/p>\n

3.<\/strong> Use o modelo para prever o valor de resposta da observa\u00e7\u00e3o exclu\u00edda do modelo e calcular o erro quadr\u00e1tico m\u00e9dio (MSE).<\/span><\/p>\n

4.<\/strong> Repita este processo n<\/em> vezes. Calcule o MSE de teste como a m\u00e9dia de todos os MSEs de teste.<\/span><\/p>\n

A maneira mais f\u00e1cil de executar LOOCV em R \u00e9 usar a fun\u00e7\u00e3o trainControl()<\/a> da biblioteca caret<\/strong> em R.<\/span><\/p>\n

Este tutorial fornece um exemplo r\u00e1pido de como usar esta fun\u00e7\u00e3o para executar LOOCV para um determinado modelo em R.<\/span><\/p>\n

Exemplo: Valida\u00e7\u00e3o Cruzada Leave-One-Out em R<\/strong><\/span><\/h3>\n

Suponha que temos o seguinte conjunto de dados em R:<\/span><\/p>\n

 #create data frame<\/span>\ndf <- data.frame(y=c(6, 8, 12, 14, 14, 15, 17, 22, 24, 23),\n                 x1=c(2, 5, 4, 3, 4, 6, 7, 5, 8, 9),\n                 x2=c(14, 12, 12, 13, 7, 8, 7, 4, 6, 5))\n\n#view data frame\n<\/span>df\n\ny x1 x2\n6 2 14\n8 5 12\n12 4 12\n14 3 13\n14 4 7\n15 6 8\n17 7 7\n22 5 4\n24 8 6\n23 9 5\n<\/strong><\/pre>\n
 O c\u00f3digo a seguir mostra como ajustar um modelo de regress\u00e3o linear m\u00faltipla<\/a> a este conjunto de dados em R e executar LOOCV para avaliar o desempenho do modelo:<\/span><\/p>\n
 library<\/span> (caret)<\/span>\n\n#specify the cross-validation method<\/span>\nctrl <- trainControl(method = \" LOOCV<\/span> \")\n\n#fit a regression model and use LOOCV to evaluate performance\n<\/span>model <- train(y ~ x1 + x2, data = df, method = \" lm<\/span> \", trControl = ctrl)\n\n#view summary of LOOCV               \n<\/span>print(model)\n\nLinear Regression \n\n10 samples\n 2 predictors\n\nNo pre-processing\nResampling: Leave-One-Out Cross-Validation \nSummary of sample sizes: 9, 9, 9, 9, 9, 9, ... \nResampling results:\n\n  RMSE Rsquared MAE     \n  3.619456 0.6186766 3.146155\n\nTuning parameter 'intercept' was held constant at a value of TRUE\n<\/strong><\/pre>\n
 Veja como interpretar o resultado:<\/span><\/p>\n