<\/p>\n
O Crit\u00e9rio de Informa\u00e7\u00e3o de Akaike ( AIC<\/strong> ) \u00e9 uma m\u00e9trica usada para quantificar qu\u00e3o bem um modelo se ajusta a um conjunto de dados.<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n O AIC foi projetado para encontrar o modelo que explica a maior varia\u00e7\u00e3o nos dados, ao mesmo tempo que penaliza modelos que utilizam um n\u00famero excessivo de par\u00e2metros.<\/span><\/p>\n Voc\u00ea pode usar a fun\u00e7\u00e3o stepAIC()<\/strong> do pacote MASS<\/strong> em R para adicionar e remover iterativamente vari\u00e1veis preditoras de um modelo de regress\u00e3o at\u00e9 encontrar o conjunto de vari\u00e1veis preditoras (ou “recursos”) que produz o modelo com o valor AIC mais baixo.<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe b\u00e1sica:<\/span><\/p>\n stepAIC(objeto, dire\u00e7\u00e3o,\u2026)<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Para este exemplo, usaremos o conjunto de dados mtcars<\/a> integrado ao R, que cont\u00e9m medi\u00e7\u00f5es de 11 atributos diferentes para 32 carros diferentes:<\/span><\/p>\n Suponha que queiramos ajustar um modelo de regress\u00e3o usando hp<\/strong> como vari\u00e1vel de resposta e as seguintes vari\u00e1veis preditoras potenciais:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o stepAIC()<\/strong> do pacote MASS<\/b> para adicionar e subtrair v\u00e1rias vari\u00e1veis preditoras do modelo at\u00e9 chegarmos ao modelo com o valor AIC mais baixo poss\u00edvel:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n (1)<\/strong> Primeiro, come\u00e7amos ajustando um modelo de regress\u00e3o com as quatro vari\u00e1veis preditoras. Este modelo tem um valor AIC de 226,88<\/strong> .<\/span><\/p>\n (2)<\/strong> Em seguida, stepAIC determina que a remo\u00e7\u00e3o de drat<\/strong> como vari\u00e1vel preditora reduzir\u00e1 ainda mais o valor AIC para 224,98<\/strong> .<\/span><\/p>\n (3)<\/strong> Em seguida, o modelo stepAIC determina que a remo\u00e7\u00e3o de mpg<\/strong> como vari\u00e1vel preditora reduzir\u00e1 ainda mais o valor AIC para 224,56<\/strong> .<\/span><\/p>\n (4)<\/strong> Finalmente, o stepAIC determina que n\u00e3o h\u00e1 como reduzir ainda mais o valor do AIC adicionando ou removendo vari\u00e1veis.<\/span><\/p>\n O modelo final \u00e9 portanto:<\/span><\/p>\n HP = 441,26 + 38,67 (peso) \u2013 23,47 (qseg)<\/strong><\/span><\/p>\n Este modelo tem um valor AIC de 224,56<\/strong> .<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como realizar regress\u00e3o linear m\u00faltipla em R<\/a> O Crit\u00e9rio de Informa\u00e7\u00e3o de Akaike ( AIC ) \u00e9 uma m\u00e9trica usada para quantificar qu\u00e3o bem um modelo se ajusta a um conjunto de dados. \u00c9 calculado da seguinte forma: AIC = 2K \u2013 2 ln (L) Ouro: K: O n\u00famero de par\u00e2metros do modelo. O valor padr\u00e3o de K \u00e9 2, portanto, um […]<\/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-4507","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
Exemplo: usando stepAIC() para sele\u00e7\u00e3o de recursos em 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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o por partes em R<\/a>
Como realizar regress\u00e3o spline em R<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"