Transformera indata inför modellering

Övervakad inlärning i R: Regression

Nina Zumel and John Mount

Win-Vector LLC

Varför transformera indatavariabler

Domänkunskap/syntetiska variabler
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$

Domänkunskap/syntetiska variabler
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$
Praktiska skäl
- Logaritmtransformation för att minska dynamiskt omfång
- Logaritmtransformation när meningsfulla förändringar är multiplikativa

Domänkunskap/syntetiska variabler
- $Intelligence \sim \frac{mass.brain}{mass.body^{2/3}}$
Praktiska skäl
- Logaritmtransformation för att minska dynamiskt omfång
- Logaritmtransformation när meningsfulla förändringar är multiplikativa
- $y$ ungefär linjärt i $f(x)$ snarare än i $x$

Vilket är bäst?

I(): behandla ett uttryck bokstavligt (inte som en interaktion)

Linjär, kvadratisk och kubisk modell

mod_lin <- lm(anx ~ hassles, hassleframe)
summary(mod_lin)$r.squared

0.5334847

mod_quad <- lm(anx ~ I(hassles^2), hassleframe)
summary(mod_quad)$r.squared

0.6241029

mod_tritic <- lm(anx ~ I(hassles^3), hassleframe)
summary(mod_tritic)$r.squared

0.6474421

Använd korsvalidering för att utvärdera modellerna

Övervakad inlärning i R: Regression