tidymodels로 선형 회귀

R에서 tidymodels로 모델링하기

David Svancer

Data Scientist

parsnip으로 모델 적합

선형 회귀 모델

cty로 hwy 예측

$$hwy = \beta_{0} + \beta_{1} cty$$

모델 매개변수

$ \beta_{0} $: 절편
$ \beta_{1} $: 기울기

고속도로 vs. 도심 연비

선형 회귀 모델

cty로 hwy 예측

$$hwy = \beta_{0} + \beta_{1} cty$$

모델 매개변수

$ \beta_{0} $: 절편
$ \beta_{1} $: 기울기

훈련 데이터에서 추정된 매개변수

$$\small hwy = 0.77 + 1.35(cty)$$

연비 데이터와 회귀선

모델 수식

parsnip의 모델 수식

열 역할 지정에 사용
- 결과 변수
- 예측 변수

일반형

outcome ~ predictor_1 + predictor_2 + ...

축약형

outcome ~ .

예측 변수 cty로 hwy 예측

hwy ~ cty

parsnip 패키지

R에서 통합된 모델 지정 문법

모델 유형 지정
- 선형 회귀 또는 다른 모델 유형
엔진 지정
- 각 엔진은 서로 다른 R 패키지에 대응
모드 지정
- 회귀 또는 분류

Parsnip 패키지

선형 회귀 모델 적합

parsnip으로 모델 명세 정의

linear_reg()

lm_model을 fit()에 전달

모델 수식 지정
모델 학습에 사용할 data

lm_model <- linear_reg() %>%

  set_engine('lm') %>%

  set_mode('regression')

lm_fit <- lm_model %>% 
  fit(hwy ~ cty, data = mpg_training)

추정된 계수 얻기

tidy() 함수

학습된 parsnip 모델 객체 입력
요약 tibble 생성
term과 estimate 열에 추정된 계수 제공

tidy(lm_fit)

# A tibble: 2 x 5
  term        estimate std.error statistic  p.value
  <chr>          <dbl>     <dbl>     <dbl>    <dbl>
1 (Intercept)    0.769    0.528       1.46 1.47e- 1
2 cty            1.35     0.0305     44.2  6.32e-97

예측 만들기

학습된 parsnip 모델을 predict()에 전달

new_data는 예측할 데이터셋 지정

predict()의 표준 출력

tibble 반환
행 순서는 new_data와 동일
예측 열 이름은 .pred

hwy_predictions <- lm_fit %>% 
  predict(new_data = mpg_test)


hwy_predictions

# A tibble: 57 x 1
   .pred
   <dbl>
 1  25.0
 2  27.7
 3  25.0
 4  25.0
 5  22.3
# ... with 47 more rows

테스트 데이터에 예측 추가

bind_cols() 함수

둘 이상의 tibble을 열 기준으로 결합
모델 결과 tibble 생성에 유용

단계

mpg_test에서 hwy, cty 선택
bind_cols()에 전달해 예측 열 추가

mpg_test_results <- mpg_test %>%
  select(hwy, cty) %>%

  bind_cols(hwy_predictions)

mpg_test_results

# A tibble: 57 x 3
     hwy   cty .pred
   <int> <int> <dbl>
 1    29    18  25.0
 2    31    20  27.7
 3    27    18  25.0
 4    26    18  25.0
 5    25    16  22.3
# ... with 47 more rows

모델링해 봅시다!

R에서 tidymodels로 모델링하기