Deux variables explicatives numériques

Régression intermédiaire en R

Richie Cotton

Data Evangelist at DataCamp

Visualiser 3 variables numériques

Nuage de points 3D
Nuage de points 2D avec la réponse en couleur

Une autre colonne pour l'ensemble de données des poissons

species	mass_g	length_cm	height_cm
Bream	1000	33.5	18.96
Bream	925	36.2	18.75
Roach	290	24.0	8.88
Roach	390	29.5	9.48
Perch	1100	39.0	12.80
Perch	1000	40.2	12.60
Pike	1250	52.0	10.69
Pike	1650	59.0	10.81

Nuage de points 3D

library(plot3D)

scatter3D(fish$length_cm, fish$height_cm, fish$mass_g)

library(plot3D)
library(magrittr)

fish %$%
  scatter3D(length_cm, height_cm, mass_g)

Nuage de points 3D

library(plot3D)
library(magrittr)

fish %$%
  scatter3D(length_cm, height_cm, mass_g)

Nuage de points 3D : longueur, hauteur et masse des poissons

Nuage 2D : couleur = réponse

ggplot(
  fish, 
  aes(length_cm, height_cm, color = mass_g)
) +
  geom_point()

Nuage de points 2D coloré par la masse

Palettes de couleurs Viridis

ggplot(
  fish, 
  aes(length_cm, height_cm, color = mass_g)
) +
  geom_point() +
  scale_color_viridis_c(option = "inferno")

Nuage 2D avec palette Viridis « inferno »

Modéliser avec 2 variables explicatives numériques

mdl_mass_vs_both <- lm(mass_g ~ length_cm + height_cm, data = fish)

Call:
lm(formula = mass_g ~ length_cm + height_cm, data = fish)

Coefficients:
(Intercept)    length_cm    height_cm  
    -622.16        28.97        26.34

Le déroulement de la prédiction

explanatory_data <- expand_grid(
  length_cm = seq(5, 60, 5),
  height_cm = seq(2, 20, 2)
)

prediction_data <- explanatory_data %>% 
  mutate(
    mass_g = predict(mdl_mass_vs_both, explanatory_data)
  )

Tracer les prédictions

ggplot(
  fish, 
  aes(length_cm, height_cm, color = mass_g)
) +
  geom_point() +
  scale_color_viridis_c(option = "inferno") +
  geom_point(
    data = prediction_data, shape = 15, size = 3
  )

Points de prédiction superposés

Inclure une interaction

mdl_mass_vs_both_inter <- lm(mass_g ~ length_cm * height_cm, data = fish)

Call:
lm(formula = mass_g ~ length_cm * height_cm, data = fish)

Coefficients:
        (Intercept)            length_cm            height_cm  length_cm:height_cm  
           159.1144               0.3001             -78.1234               3.5455

Le déroulement de la prédiction (bis)

explanatory_data <- expand_grid(
  length_cm = seq(5, 60, 5),
  height_cm = seq(2, 20, 2)
)

prediction_data <- explanatory_data %>% 
  mutate(
    mass_g = predict(mdl_mass_vs_both_inter, explanatory_data)
  )

Tracer les prédictions

ggplot(
  fish, 
  aes(length_cm, height_cm, color = mass_g)
) +
  geom_point() +
  scale_color_viridis_c(option = "inferno") +
  geom_point(
    data = prediction_data, shape = 15, size = 3
  )

Prédictions avec interaction

Passons à la pratique !

Régression intermédiaire en R