Modelprestatie beoordelen

Intermediary Regression in R

Richie Cotton

Data Evangelist at DataCamp

Modelprestatie-metrics

Determinatiecoëfficiënt (R-squared): hoe goed de regressielijn past bij de waarnemingen.
- Hoger is beter.
Residuele standaardfout (RSE): de typische grootte van de residuen.
- Lager is beter.

library(dplyr)
library(broom)

mdl_mass_vs_length %>% 
  glance() %>% 
  pull(r.squared)

0.8226

mdl_mass_vs_species %>% 
  glance() %>% 
  pull(r.squared)

0.7163

mdl_mass_vs_both %>% 
  glance() %>% 
  pull(r.squared)

0.9694

Meer verklarende variabelen verhoogt R^2.
Te veel verklarende variabelen leidt tot overfitting.
Aangepaste determinatiecoëfficiënt straft extra variabelen.
$\bar{R ^ 2} = 1 - (1 - R ^ 2) \frac{n_{obs} - 1}{n_{obs} - n_{var} - 1}$
Straf is merkbaar als R^2 klein is, of $n_{var}$ een groot deel van $n_{obs}$ is.
In glance() heet dit adj.r.squared.

library(dplyr)
library(broom)

mdl_mass_vs_length %>% 
  glance() %>% 
  select(r.squared, adj.r.squared)

  r.squared adj.r.squared
      <dbl>         <dbl>
1    0.8226        0.8212

mdl_mass_vs_species %>% 
  glance() %>% 
  select(r.squared, adj.r.squared)

  r.squared adj.r.squared
      <dbl>         <dbl>
1    0.7163        0.7072

mdl_mass_vs_both %>% 
  glance() %>% 
  select(r.squared, adj.r.squared)

  r.squared adj.r.squared
      <dbl>         <dbl>
1    0.9694        0.9682

library(dplyr)
library(broom)

mdl_mass_vs_length %>% 
  glance() %>% 
  pull(sigma)

152.1

mdl_mass_vs_species %>% 
  glance() %>% 
  pull(sigma)

313.6

mdl_mass_vs_both %>% 
  glance() %>% 
  pull(sigma)

103.4

Intermediary Regression in R