मॉडल फिट को मापना
R में Regression परिचय
Richie Cotton
Data Evangelist at DataCamp
ब्रीम और पर्च मॉडल
ब्रीम
पर्च
Coefficient of determination
कभी-कभी "r-squared" या "R-squared" भी कहा जाता है.
प्रतिक्रिया वैरिएबल में वैरिएंस का वह अनुपात जो स्पष्टीकरण वैरिएबल से पूर्वानुमेय है
1का मतलब परफेक्ट फिट0का मतलब सबसे खराब फिट
summary()
"Multiple R-Squared" शीर्षक वाला मान देखें
mdl_bream <- lm(mass_g ~ length_cm, data = bream)
summary(mdl_bream)
# Some lines of output omitted
Residual standard error: 74.15 on 33 degrees of freedom
Multiple R-squared: 0.8781, Adjusted R-squared: 0.8744
F-statistic: 237.6 on 1 and 33 DF, p-value: < 2.2e-16
glance()
library(broom)
library(dplyr)
mdl_bream %>%
glance()
# A tibble: 1 × 12
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 0.878 0.874 74.2 238. 1.22e-16 1 -199. 405. 409.
# ... with 3 more variables: deviance <dbl>, df.residual <int>, nobs <int>
mdl_bream %>%
glance() %>%
pull(r.squared)
0.8780627
यह बस कॉरिलेशन का स्क्वायर है
bream %>%
summarize(
coeff_determination = cor(length_cm, mass_g) ^ 2
)
coeff_determination
1 0.8780627
Residual standard error (RSE)
एक "टिपिकल" अंतर, भविष्यवाणी और देखी गई प्रतिक्रिया के बीच
इसकी इकाई प्रतिक्रिया वैरिएबल जैसी ही होती है.
summary() फिर से
"Residual standard error" शीर्षक वाला मान देखें
summary(mdl_bream)
# Some lines of output omitted
Residual standard error: 74.15 on 33 degrees of freedom
Multiple R-squared: 0.8781, Adjusted R-squared: 0.8744
F-statistic: 237.6 on 1 and 33 DF, p-value: < 2.2e-16
glance() फिर से
library(broom)
library(dplyr)
mdl_bream %>%
glance()
# A tibble: 1 x 11
r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC deviance df.residual
<dbl> <dbl> <dbl> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <dbl> <int>
1 0.878 0.874 74.2 238. 1.22e-16 2 -199. 405. 409. 181452. 33
mdl_bream %>%
glance() %>%
pull(sigma)
74.15224
RSE की गणना: शेषों का स्क्वायर
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
)
species mass_g length_cm residuals_sq
1 Bream 242 23.2 138.9571
2 Bream 290 24.0 260.7586
3 Bream 340 23.9 5126.9926
4 Bream 363 26.3 1318.9197
5 Bream 430 26.5 390.9743
6 Bream 450 26.8 547.9380
...
RSE की गणना: squared शेषों का योग
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
) %>%
summarize(
resid_sum_of_sq = sum(residuals_sq)
)
resid_sum_of_sq
1 181452.3
RSE की गणना: degrees of freedom
Degrees of freedom बराबर होता है ऑब्जर्वेशन की संख्या माइनस मॉडल कोएफिशिएंट्स की संख्या.
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
) %>%
summarize(
resid_sum_of_sq = sum(residuals_sq),
deg_freedom = n() - 2
)
resid_sum_of_sq deg_freedom
1 181452.3 33
RSE की गणना: अनुपात का स्क्वायर रूट
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
) %>%
summarize(
resid_sum_of_sq = sum(residuals_sq),
deg_freedom = n() - 2,
rse = sqrt(resid_sum_of_sq / deg_freedom)
)
resid_sum_of_sq deg_freedom rse
1 181452.3 33 74.15224
RSE की व्याख्या
mdl_bream का RSE 74 है.
भविष्यवाणी किए गए ब्रीम द्रव्यमान और देखे गए द्रव्यमान में फर्क आम तौर पर लगभग 74g होता है.
Root-mean-square error (RMSE)
Residual standard error
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
) %>%
summarize(
resid_sum_of_sq = sum(residuals_sq),
deg_freedom = n() - 2,
rse = sqrt(resid_sum_of_sq / deg_freedom)
)
Root-mean-square error
bream %>%
mutate(
residuals_sq = residuals(mdl_bream) ^ 2
) %>%
summarize(
resid_sum_of_sq = sum(residuals_sq),
n_obs = n(),
rmse = sqrt(resid_sum_of_sq / n_obs)
)
अभ्यास करते हैं!
R में Regression परिचय
