summary.mlModel: Zusammenfassung eines Microsoft R Machine Learning-Modells.

Zusammenfassung eines Microsoft R Machine Learning-Modells.

Verwendung

 ## S3 method for class `mlModel':
summary  (object, top = 20, ...)

Argumente

object

Ein Modellobjekt, das von einer Microsoft ML-Analyse zurückgegeben wird.

top

Gibt die Anzahl der obersten Koeffizienten an, die in der Zusammenfassung für lineare Modelle wie rxLogisticRegression und rxFastLinear angezeigt werden sollen. Der Trend wird zuerst angezeigt, gefolgt von anderen Gewichtungen, sortiert nach ihren absoluten Werten in absteigender Reihenfolge. Bei Festlegung auf NULL werden alle Koeffizienten ungleich 0 angezeigt. Andernfalls werden nur die ersten top Koeffizienten angezeigt.

...

Zusätzliche Argumente, die an die Zusammenfassungsmethode übergeben werden sollen.

Details

Stellt zusammenfassende Informationen zum ursprünglichen Funktionsaufruf,
dem Dataset, das zum Trainieren des Modells verwendet wird, und Statistiken für Koeffizienten im Modell bereit.

Wert

Die summary-Methode der MicrosoftML-Analyseobjekte gibt eine Liste zurück, die den ursprünglichen Funktionsaufruf und die verwendeten zugrunde liegenden Parameter enthält. Die coef-Methode gibt einen benannten Vektor von Gewichtungen zurück, der Informationen aus dem Modellobjekt verarbeitet.

Für rxLogisticRegression können die folgenden Statistiken auch in der Zusammenfassung vorhanden sein, wenn showTrainingStats auf TRUE festgelegt ist.

training.size

Die Größe des zum Trainieren des Modells verwendeten Datasets in der Anzahl der Zeilen.

deviance

Die Modellabweichung wird durch -2 * ln(L) angegeben, wobei L die Wahrscheinlichkeit angibt, die Beobachtungen mit allen in das Modell integrierten Features zu erhalten.

null.deviance

Die NULL-Abweichung wird durch -2 * ln(L0) angegeben, wobei L0 die Wahrscheinlichkeit angibt, die Beobachtungen ohne Einfluss der Features zu erhalten. Das NULL-Modell enthält den Trend, sofern ein Trend im Modell zu erkennen ist.

aic

Das AIC (Akaike Information Criterion) ist als 2 * k ``+ deviance definiert, wobei k die Anzahl der Koeffizienten des Modells angibt. Der Trend zählt als einer der Koeffizienten. Das AIC ist ein Maß für die relative Qualität des Modells. Dabei geht es um den Kompromiss zwischen der Eignung des Modells (gemessen an der Abweichung) und der Komplexität des Modells (gemessen an der Anzahl der Koeffizienten).

coefficients.stats

Dies ist ein Datenrahmen, der die Statistiken für jeden Koeffizienten im Modell enthält. Für jeden Koeffizienten werden die folgenden Statistiken angezeigt. Der Trend wird in der ersten Zeile und die verbleibenden Koeffizienten werden in aufsteigender Reihenfolge des p-Werts angezeigt.

• Schätzung: Der geschätzte Koeffizientenwert des Modells.
• Standardfehler: Dies ist die Quadratwurzel der Varianz der großen Stichprobe der Schätzung des Koeffizienten.
• Z-Bewertung: Wir können anhand der Nullhypothese testen, der zufolge der Koeffizient 0 (null) sein sollte, die Bedeutung des Koeffizienten nach Berechnung des Verhältnisses seiner Schätzung und seines Standardfehlers betreffend. Wenn unter der Nullhypothese keine Abgrenzung angewendet wird, folgt die Schätzung des betreffenden Koeffizienten einer Normalverteilung mit dem Mittelwert 0 und einer Standardabweichung, die dem oben berechneten Standardfehler entspricht. Die Z-Bewertung gibt das Verhältnis zwischen der Schätzung eines Koeffizienten und dem Standardfehler des Koeffizienten aus.
• Pr(>|z|): Dies ist der entsprechende p-Wert für den zweiseitigen Test der Z-Bewertung. Basierend auf der Signifikanzstufe wird dem p-Wert ein Signifikanzindikator angefügt. Wenn F(x) das CDF der Standardnormalverteilung N(0, 1) ist, dann ist P(>|z|) = 2 - ``2 * F(|z|).

Autor(en)

Microsoft Corporation Microsoft Technical Support

Weitere Informationen

rxFastTrees, rxFastForest, rxFastLinear, rxOneClassSvm, rxNeuralNet, rxLogisticRegression.

Beispiele

 # Estimate a logistic regression model
 logitModel <- rxLogisticRegression(isCase ~ age + parity + education + spontaneous + induced,
                   transforms = list(isCase = case == 1),
                   data = infert)
 # Print a summary of the model
 summary(logitModel)

 # Score to a data frame
 scoreDF <- rxPredict(logitModel, data = infert, 
     extraVarsToWrite = "isCase")

 # Compute and plot the Radio Operator Curve and AUC
 roc1 <- rxRoc(actualVarName = "isCase", predVarNames = "Probability", data = scoreDF) 
 plot(roc1)
 rxAuc(roc1)

 #######################################################################################
 # Multi-class logistic regression  
 testObs <- rnorm(nrow(iris)) > 0
 testIris <- iris[testObs,]
 trainIris <- iris[!testObs,]
 multiLogit <- rxLogisticRegression(
     formula = Species~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
     type = "multiClass", data = trainIris)

 # Score the model
 scoreMultiDF <- rxPredict(multiLogit, data = testIris, 
     extraVarsToWrite = "Species")    
 # Print the first rows of the data frame with scores
 head(scoreMultiDF)
 # Look at confusion matrix
 table(scoreMultiDF$Species, scoreMultiDF$PredictedLabel)

 # Look at the observations with incorrect predictions
 badPrediction = scoreMultiDF$Species != scoreMultiDF$PredictedLabel
 scoreMultiDF[badPrediction,]