Регресія Пуассона та квазипуассона для передбачення лічильників

Кероване навчання в R: регресія

Nina Zumel and John Mount

Win-Vector, LLC

Передбачення лічильників

glm(formula, data, family)

glm(formula, data, family)

family: poisson або quasipoisson
вхідні змінні адитивні та лінійні в log(count)
ціль: ціле число
- лічильники: напр., кількість штрафів водія
- частоти: напр., кількість хітів сайту/день
передбачення: очікувана частота або інтенсивність (не ціле)
- очікувана кількість штрафів; очікувані хіти/день

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

      mean      var
1 130.5587 14351.25

Оскільки var(cnt) >> mean(cnt) $\rightarrow$ використайте quasipoisson

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

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

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

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

   pseudoR2
1 0.7654358

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

Моделі лічильників можна оцінювати за RMSE

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

      rmse
1 69.32869

sd(bikesFeb$cnt)

134.2865

Кероване навчання в R: регресія