Transformace vstupů před modelováním

Supervised Learning in R: Regression

Nina Zumel and John Mount

Win-Vector LLC

Proč transformovat vstupní proměnné

Znalost domény / syntetické proměnné
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$

Znalost domény / syntetické proměnné
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$
Pragmatické důvody
- Logaritmická transformace ke snížení dynamického rozsahu
- Logaritmická transformace, pokud jsou změny proměnné multiplikativní

Znalost domény / syntetické proměnné
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$
Pragmatické důvody
- Logaritmická transformace ke snížení dynamického rozsahu
- Logaritmická transformace, pokud jsou změny proměnné multiplikativní
- $y$ je přibližně lineární v $f(x)$, nikoli v $x$

Která je nejlepší?

I(): výraz je interpretován doslova (ne jako interakce)

Lineární, kvadratický a kubický model

mod_lin <- lm(anx ~ hassles, hassleframe)
summary(mod_lin)$r.squared

0.5334847

mod_quad <- lm(anx ~ I(hassles^2), hassleframe)
summary(mod_quad)$r.squared

0.6241029

mod_tritic <- lm(anx ~ I(hassles^3), hassleframe)
summary(mod_tritic)$r.squared

0.6474421

Vyhodnocení modelů pomocí křížové validace

Supervised Learning in R: Regression