summary.mlModel: Microsoft R Machine Learning モデルの概要

[アーティクル]
05/23/2023

Microsoft R Machine Learning モデルの概要。

使用方法

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

引数

`object`

MicrosoftML の分析から返されるモデルオブジェクト。

`top`

rxLogisticRegression や rxFastLinear などの線形モデルの概要で表示する上位の係数の数を指定します。最初にバイアスが表示され、その後に他の重みが絶対値の降順に表示されます。 NULL に設定すると、0 ではないすべての係数が表示されます。それ以外の場合は、最初の top 個の係数だけが表示されます。

`...`

summary メソッドに渡されるその他の引数。

詳細

以下に関する概要情報を提供します。元の関数呼び出し、
モデルのトレーニングに使用されるデータセット、モデル内の係数の統計。

値

MicrosoftML分析オブジェクトの summary メソッドからは、元の関数呼び出しと使用された基になるパラメーターを含むリストが返されます。 coef メソッドからは、モデルオブジェクトからの情報を処理する、重み付けの名前付きベクトルが返されます。

rxLogisticRegression の場合、showTrainingStats が TRUE に設定されていると、次の統計も概要に含まれることがあります。

`training.size`

モデルのトレーニングに使用されたデータセットのサイズ (行数)。

`deviance`

モデルの逸脱は、-2 * ln(L) によって与えられます。L は、モデルに組み込まれたすべての特徴が含まれる観測値が取得される確率です。

`null.deviance`

null の逸脱は、-2 * ln(L0) によって与えられます。L0 は、特徴から効果のない観測値が取得される確率です。モデルにバイアスが含まれる場合、null モデルにはバイアスが含まれます。

`aic`

AIC (Akaike Information Criterion) は 2 * k ``+ deviance と定義されます。k はモデルの係数の数です。バイアスは係数の 1 つとしてカウントされます。 AIC は、モデルの相対的な品質の尺度です。これは、モデルの適合の良さ (逸脱によって測定) とモデルの複雑さ (係数の数で測定) のトレードオフを扱います。

`coefficients.stats`

これは、モデル内の各係数の統計が含まれるデータフレームです。係数ごとに、次の統計が示されます。バイアスが最初の行に表示され、残りの係数は p 値の昇順に表示されます。

Estimate モデルの推定された係数値。
Std Error これは、係数の推定値の大きなサンプル分散の平方根です。
z-Score 係数の推定値とその標準誤差の比率を計算することによる係数の有意性に関して、係数が 0 である必要があることを述べる、帰無仮説に対してテストできます。帰無仮説では、正則化が適用されない場合、関係する係数の推定値は、平均 0 の正規分布と、上で計算された標準誤差と等しい標準偏差に従います。 z-score からは、係数の推定値と係数の標準誤差との比率が出力されます。
Pr(>|z|) これは、z-score の両側検定に対応する p 値です。有意性レベルに基づいて、有意性インジケーターが p 値に追加されます。 F(x) が標準正規分布 N(0, 1) の CDF である場合、P(>|z|) = 2 - ``2 * F(|z|)。

作成者

Microsoft Corporation Microsoft Technical Support

こちらもご覧ください

rxFastTrees、rxFastForest、rxFastLinear、rxOneClassSvm、rxNeuralNet、rxLogisticRegression。

使用例


 # 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,]

次の方法で共有