Lineární regrese s tidymodels

Modeling with tidymodels in R

David Svancer

Data Scientist

Trénování modelu s balíčkem parsnip

Model lineární regrese

Predikce hwy s využitím cty jako prediktoru

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

Parametry modelu

$ \beta_{0} $ je intercept
$ \beta_{1} $ je sklon

Spotřeba paliva na dálnici versus ve městě

Model lineární regrese

Predikce hwy s využitím cty jako prediktoru

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

Parametry modelu

$ \beta_{0} $ je intercept
$ \beta_{1} $ je sklon

Odhadnuté parametry z trénovacích dat

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

Data mpg s přímkou lineární regrese

Vzorce modelu

Vzorce modelu v parsnip

Slouží k přiřazení rolí sloupcům
- Výstupní proměnná
- Prediktory

Obecný tvar

outcome ~ predictor_1 + predictor_2 + ...

Zkrácená notace

outcome ~ .

Predikce hwy s využitím cty jako prediktoru

hwy ~ cty

Balíček parsnip

Jednotná syntaxe pro specifikaci modelů v R

Specifikujte typ modelu
- Lineární regrese nebo jiný typ modelu
Specifikujte engine
- Různé enginy odpovídají různým R balíčkům
Specifikujte mód
- Regrese nebo klasifikace

Balíček Parsnip

Trénování modelu lineární regrese

Definujte specifikaci modelu pomocí parsnip

linear_reg()

Předejte lm_model funkci fit()

Zadejte vzorec modelu
data pro trénování modelu

lm_model <- linear_reg() %>%

  set_engine('lm') %>%

  set_mode('regression')

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

Získání odhadnutých parametrů

Funkce tidy()

Přijímá natrénovaný objekt modelu parsnip
Vytváří souhrnný tibble modelu
Sloupce term a estimate obsahují odhadnuté parametry

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

Vytváření predikcí

Předejte natrénovaný model parsnip funkci predict()

new_data určuje dataset pro predikci nových hodnot

Standardizovaný výstup funkce predict()

Vrací tibble
Zachovává pořadí řádků jako v new_data
Predikční sloupec se jmenuje .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

Přidání predikcí k testovacím datům

Funkce bind_cols()

Spojuje dva nebo více tibbů podél osy sloupců
Vhodná pro vytvoření tibble s výsledky modelu

Postup

Vyberte hwy a cty z mpg_test
Předejte do bind_cols() a přidejte sloupec predikcí

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

Pojďme modelovat!

Modeling with tidymodels in R