Régression de Poisson et quasi-Poisson pour prédire des comptes

Apprentissage supervisé en R : régression

Nina Zumel and John Mount

Win-Vector, LLC

Prédire des comptes

glm(formula, data, family)

glm(formula, data, family)

family : poisson ou quasipoisson
entrées additives et linéaires dans log(count)
résultat : entier
- comptes : p. ex. nombre de contraventions reçues par un conducteur
- taux : p. ex. nombre de visites Web/jour
prédiction : taux ou intensité attendus (non entier)
- de contraventions attendues ; visites/jour attendues

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

      mean      var
1 130.5587 14351.25

Comme var(cnt) >> mean(cnt) $\rightarrow$ utiliser quasi-Poisson

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

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

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

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

   pseudoR2
1 0.7654358

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

Vous pouvez évaluer des modèles de comptes avec la RMSE

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

      rmse
1 69.32869

sd(bikesFeb$cnt)

134.2865

Apprentissage supervisé en R : régression