共用方式為

summary.mlModel：Microsoft R Machine Learning 模型的摘要。

Microsoft R Machine Learning 模型的摘要。

用法

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

論點

object

從 MicrosoftML 分析傳回的模型物件。

top

指定要在線性模型的摘要中顯示的最高係數計數，例如 rxLogisticRegression 和 rxFastLinear。 偏差會先出現，後面接著其他權數，依其絕對值以遞減順序排序。 如果設定為 NULL，則會顯示所有非零係數。 否則，只會顯示第一個 top 係數。

...

要傳遞至 summary 方法的其他自變數。

詳細資訊

提供原始函數調用的摘要資訊，
用來定型模型的數據集，以及模型中係數的統計數據。

價值觀

summary MicrosoftML 分析物件的 方法會傳回清單，其中包含原始函數調用和所使用的基礎參數。 方法 coef 會傳回具名權數向量，並處理來自模型對象的資訊。

針對 rxLogisticRegression，當 設定為 showTrainingStats時TRUE，下列統計數據也可能出現在摘要中。

training.size

用來定型模型之數據集的數據列計數大小。

deviance

模型偏離是由 指定， -2 * ln(L) 其中 L 是取得觀察的可能性，且所有特徵都併入模型。

null.deviance

Null 偏離是由 -2 * ln(L0) 指定，其中 L0 是從特徵取得無作用的觀察的可能性。 如果模型中有一個，Null 模型就會包含偏差。

aic

AIC （Akaike 資訊準則） 定義為 2 * k ``+ deviance，其中 k 是模型的係數數目。 偏差會算作其中一個係數。 AIC 是模型相對品質的量值。 它處理模型適合的優缺點（以偏離測量）和模型的複雜度（以係數數目來測量）。

coefficients.stats

這是一個數據框架，其中包含模型中每個係數的統計數據。 針對每個係數，會顯示下列統計數據。 偏差會出現在第一個數據列中，其餘係數會以 p 值遞增順序顯示。

  • Estimate 模型的估計係數值。
  • Std ErrorThis 是係數估計值之大型樣本變異數的平方根。
  • z-ScoreWe 可以針對虛無假設進行測試，該假設指出係數應為零，方法是計算係數的估計和標準誤差的比率，以影響係數的意義。 在 Null 假設下，如果沒有套用正規化，則相關係數的估計會遵循平均 0 的常態分佈，而標準偏差等於上述標準誤差。 z 分數會輸出係數估計與係數標準誤差之間的比率。
  • Pr（>|z|）這是 z 分數雙面測試的對應 p 值。 根據重要性層級，顯著性指標會附加至 p 值。 如果 F(x) 是標準常態分配 N(0, 1)的 CDF 則 P(>|z|) = 2 - ``2 * F(|z|)為 。

作者（秒）

Microsoft公司 Microsoft Technical Support

另請參閱

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

範例


 # 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,]
  • Last updated on