Vizualizace kvality modelu

Úvod do regrese v R

Richie Cotton

Data Evangelist at DataCamp

Žádoucí vlastnosti reziduálů

Rezidua mají normální rozdělení
Střední hodnota reziduálů je nula

Plotice a okoun znovu

Plotice: „dobrý" model

mdl_bream <- lm(mass_g ~ length_cm, data = bream)

Bodový graf hmotnosti plotic vs. jejich délky s regresní přímkou, zobrazený dříve.

Okoun: „špatný" model

mdl_perch <- lm(mass_g ~ length_cm, data = perch)

Bodový graf hmotnosti okounů vs. jejich délky s regresní přímkou, zobrazený dříve.

Rezidua vs. přizpůsobené hodnoty

Plotice

Bodový graf reziduálů modelu pro plotici vs. přizpůsobené hodnoty s LOESS trendem. Trend zůstává blízko osy x.

Okoun

Bodový graf reziduálů modelu pro okouna vs. přizpůsobené hodnoty s LOESS trendem. Trend má tvar písmene V.

Q-Q graf

Plotice

Q-Q graf standardizovaných reziduálů modelu pro plotici vs. teoretické kvantily. Body těsně sledují přímku, kromě dvou odlehlých hodnot.

Okoun

Q-Q graf standardizovaných reziduálů modelu pro okouna vs. teoretické kvantily. Body nepřesně sledují přímku, zejména na pravé straně grafu.

Graf škála-poloha

Bodový graf druhé odmocniny standardizovaných reziduálů modelu pro plotici vs. přizpůsobené hodnoty s LOESS trendem. Trend mírně roste s rostoucími přizpůsobenými hodnotami.

Bodový graf druhé odmocniny standardizovaných reziduálů modelu pro okouna vs. přizpůsobené hodnoty s LOESS trendem. Trend několikrát stoupá a klesá.

autoplot()

library(ggplot2)
library(ggfortify)

autoplot(model_object, which = ???)

Hodnoty parametru which

1 rezidua vs. přizpůsobené hodnoty
2 Q-Q graf
3 škála-poloha

autoplot() pro model okouna

autoplot(
  mdl_perch, 
  which = 1:3, 
  nrow = 3, 
  ncol = 1
)

Tři diagnostické grafy modelu pro okouna zobrazené v jednom výstupu se třemi panely.

'Autopřímky, vyjeďte!' – Plotimus Prime

Úvod do regrese v R