Ocena i wybór modelu

Modelowanie danych w Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Przypomnienie: Regresja wielokrotna

Dwa modele z różnymi parami zmiennych objaśniających/predyktorów:

# Model 1 - Dwie numeryczne:
model_price_1 <- lm(log10_price ~ log10_size + yr_built, 
                    data = house_prices)


# Model 3 - Jedna numeryczna i jedna kategoryczna:
model_price_3 <- lm(log10_price ~ log10_size + condition, 
                    data = house_prices)

Przypomnienie: Suma kwadratów reszt

# Model 1
model_price_1 <- lm(log10_price ~ log10_size + yr_built, 
                    data = house_prices)
get_regression_points(model_price_1) %>%
  mutate(sq_residuals = residual^2) %>%
  summarize(sum_sq_residuals = sum(sq_residuals))

# A tibble: 1 x 1
  sum_sq_residuals
             <dbl>
1             585.

Przypomnienie: Suma kwadratów reszt

# Model 3
model_price_3 <- lm(log10_price ~ log10_size + condition, 
                    data = house_prices)

get_regression_points(model_price_3) %>%
  mutate(sq_residuals = residual^2) %>%
  summarize(sum_sq_residuals = sum(sq_residuals))

# A tibble: 1 x 1
  sum_sq_residuals
             <dbl>
1             608.

Czas na ćwiczenia!

Modelowanie danych w Tidyverse