Poisson- und Quasi-Poisson-Regression zur Vorhersage von Zählwerten

Überwachtes Lernen in R: Regression

Nina Zumel and John Mount

Win-Vector, LLC

Zählwerte vorhersagen

glm(formula, data, family)

glm(formula, data, family)

family: entweder poisson oder quasipoisson
Eingaben additiv und linear in log(count)
Zielvariable: integer
- Zählungen: z. B. Anzahl der Strafzettel pro Fahrer
- Raten: z. B. Website-Hits/Tag
Vorhersage: erwartete Rate oder Intensität (nicht ganzzahlig)
- erwartete # Strafzettel; erwartete Hits/Tag

bikesJan %>% 
  summarize(mean = mean(cnt), var = var(cnt))

      mean      var
1 130.5587 14351.25

Da var(cnt) >> mean(cnt) $\rightarrow$ quasipoisson verwenden

fmla <- cnt ~ hr + holiday + workingday + 
  weathersit + temp + atemp + hum + windspeed

model <- glm(fmla, data = bikesJan, family = quasipoisson)

$$ pseudo R^2 = 1 - \frac{deviance}{null.deviance} $$

glance(model) %>%
  summarize(pseudoR2 = 1 - deviance/null.deviance)

   pseudoR2
1 0.7654358

predict(model, newdata = bikesFeb, type = "response")

Du kannst Zählmodelle mit der RMSE bewerten

bikesFeb %>%
  mutate(residual = cnt - pred) %>%
  summarize(rmse = sqrt(mean(residual^2)))

      rmse
1 69.32869

sd(bikesFeb$cnt)

134.2865

Überwachtes Lernen in R: Regression