Regresja Poissona i quasi-Poissona do prognozowania liczeń

Nadzorowane uczenie maszynowe w R: regresja

Nina Zumel and John Mount

Win-Vector, LLC

Prognozowanie liczeń

glm(formula, data, family)

glm(formula, data, family)

family: poisson lub quasipoisson
zmienne addytywne i liniowe w log(liczenie)
wynik: liczba całkowita
- liczenia: np. liczba mandatów kierowcy
- wskaźniki: np. liczba odwiedzin strony/dzień
prognoza: oczekiwany wskaźnik lub intensywność (nie całka)
- oczekiwana liczba mandatów; oczekiwane odwiedziny/dzień

bikesJan %>% 
  summarize(mean = mean(cnt), var = var(cnt))

      mean      var
1 130.5587 14351.25

Ponieważ var(cnt) >> mean(cnt) $\rightarrow$ użyj quasi-Poissona

fmla <- cnt ~ hr + holiday + workingday + 
  weathersit + temp + atemp + hum + windspeed

model <- glm(fmla, data = bikesJan, family = quasipoisson)

$$ pseudo R^2 = 1 - \frac{deviance}{null.deviance} $$

glance(model) %>%
  summarize(pseudoR2 = 1 - deviance/null.deviance)

   pseudoR2
1 0.7654358

predict(model, newdata = bikesFeb, type = "response")

Modele liczeń można oceniać za pomocą RMSE

bikesFeb %>%
  mutate(residual = cnt - pred) %>%
  summarize(rmse = sqrt(mean(residual^2)))

      rmse
1 69.32869

sd(bikesFeb$cnt)

134.2865

Nadzorowane uczenie maszynowe w R: regresja