Aracılığıyla paylaş

summary.mlModel: Microsoft R Machine Learning modelinin özeti.

Microsoft R Machine Learning modelinin özeti.

Kullanım

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

Tartışmalar

object

MicrosoftML analizinden döndürülen model nesnesi.

top

rxLogisticRegression ve rxFastLinear gibi doğrusal modellerin özetinde gösterilecek en üst katsayıların sayısını belirtir. Sapma önce görünür, ardından diğer ağırlıklar, mutlak değerlerine göre azalan düzende sıralanır. olarak NULLayarlanırsa, sıfır olmayan tüm katsayılar gösterilir. Aksi takdirde, yalnızca ilk top katsayılar gösterilir.

...

Özet yöntemine geçirilecek ek bağımsız değişkenler.

Ayrıntılar

Özgün işlev çağrısıyla ilgili özet bilgileri sağlar.
modeli eğitmek için kullanılan veri kümesi ve modeldeki katsayılar için istatistikler.

Değer

summary MicrosoftML çözümleme nesnelerinin yöntemi, özgün işlev çağrısını ve kullanılan temel parametreleri içeren bir liste döndürür. coef yöntemi, model nesnesinden bilgileri işleyen adlandırılmış bir ağırlık vektöri döndürür.

rxLogisticRegression için, olarak ayarlandığında showTrainingStatsözette TRUE aşağıdaki istatistikler de bulunabilir.

training.size

Modeli eğitmek için kullanılan veri kümesinin satır sayısı açısından boyutu.

deviance

Model sapması, modelde yer alan tüm özelliklerle gözlemleri elde etme olasılığının nerede -2 * ln(L) olduğu tarafından L verilir.

null.deviance

Null sapma, özelliklerden hiçbir etki olmadan gözlemleri elde etme olasılığının nerede -2 * ln(L0) olduğu tarafından L0 verilir. Null model, modelde bir sapma varsa yanlılık içerir.

aic

AIC (Akaike Bilgi Ölçütü) olarak 2 * k ``+ deviancetanımlanır ve burada k modelin katsayılarının sayısıdır. Sapma katsayılardan biri olarak sayılır. AIC, modelin göreli kalitesinin bir ölçüsüdür. Modelin uygunluk durumu (sapma ile ölçülür) ile modelin karmaşıklığı (katsayı sayısıyla ölçülür) arasındaki dengeyi ele alıyor.

coefficients.stats

Bu, modeldeki her katsayının istatistiklerini içeren bir veri çerçevesidir. Her katsayı için aşağıdaki istatistikler gösterilir. Sapma ilk satırda, kalan katsayılar ise p değerinin artan sırasına göre görünür.

  • TahminDeğişkenin tahmini katsayı değeri.
  • Std HatasıBu, katsayı tahmininin büyük örnek varyansının karekökünü oluşturur.
  • z-ScoreSayının sıfır olması gerektiğini belirten sıfır hipotezine karşı test edebilir, bu da tahmin oranını ve standart hatasını hesaplayarak katsayının önemiyle ilgilidir. Sıfır hipotezi altında, uygulanan bir normalleştirme yoksa, ilgili katsayı tahmini ortalama 0 ile normal bir dağılım ve yukarıda hesaplanan standart hataya eşit bir standart sapma izler. Z puanı, katsayı tahmini ile katsayının standart hatası arasındaki oranı verir.
  • Pr(>|z|) Bu, z puanının iki taraflı testi için karşılık gelen p değeridir. Anlam düzeyine bağlı olarak, p değerinin sonuna bir anlam göstergesi eklenir. Standart normal dağılımın CDF'sini iseF(x), o zaman N(0, 1).P(>|z|) = 2 - ``2 * F(|z|)

Yazar(lar)

Microsoft Corporation Microsoft Technical Support

Ayrıca bakınız

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

Örnekler


 # 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,]
  • Last updated on