共用方式為


summary.mlModel:Microsoft R 機器學習模型摘要。

Microsoft R 機器學習模型摘要。

使用方式

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

引數

object

MicrosoftML 分析傳回的模型物件。

top

指定要在線性模型摘要中顯示的 top 係數計數,例如 rxLogisticRegressionrxFastLinear。 偏差會先顯示,接著是其他權數,並會按絕對值以遞減順序排列。 若設為 NULL,則會顯示所有非零係數。 否則只會顯示前幾個 top 係數。

...

要傳遞至摘要方法的其他引數。

詳細資料

提供原始函數呼叫、
用於訓練模型之資料集、以及模型中係數統計資料的相關摘要資訊。

MicrosoftML 分析物件的 summary 方法會傳回一份清單,其中包含原始函數呼叫及使用的基礎參數。 coef 方法會傳回權數的具名向量,並處理模型物件的資訊。

針對 rxLogisticRegression,當 showTrainingStats 設為 TRUE 時,摘要中可能也會顯示下列統計資料。

training.size

用於訓練模型的資料集大小,以資料列計數表示。

deviance

模型偏差會由 -2 * ln(L) 提供,其中 L 是在模型納入所有特徵的情況下,取得觀察的可能性。

null.deviance

null 偏差會由 -2 * ln(L0) 提供,其中 L0 是在未受到特徵影響的情況下,取得觀察的可能性。 若模型中存在偏差,則 null 模型會包含偏差。

aic

AIC (Akaike 資訊準則) 被定義為 2 * k ``+ deviance,其中 k 為模型的係數數目。 偏差會算為係數之一。 AIC 為模型相對品質的測量方法, 可處理模型適合度之間的權衡 (測量依據為偏差),以及模型複雜度 (測量依據為係數數目)。

coefficients.stats

此為資料框架,其中包含模型中各項係數的統計資料。 每項係數都會顯示下列統計資料。 偏差會顯示在第一個資料列,而其餘係數則會按 p-value 以遞增順序排列。

  • Estimate:估計的模型係數值。
  • Std Error:此為係數估計值的大型樣本變異數平方根。
  • z-Score:我們可以計算估計值與標準誤之間的比率,以針對虛無假設 (其中陳述係數應為零) 進行測試,這會與係數的顯著性 (而得) 相關。 在虛無假設中,若未套用正規化,相關係數的估計值會遵循常態分布,其中平均數為 0 且標準差等於上方計算出的標準誤。 z-score 會輸出係數估計值和標準誤之間的比率。
  • Pr(>|z|):此為對應 z-score 雙邊測試的 p-value。 顯著性指標會根據顯著性水準附加至 p-value。 若 F(x) 為標準常態分布 N(0, 1) 的 CDF,則 P(>|z|) = 2 - ``2 * F(|z|)

作者

Microsoft Corporation Microsoft Technical Support

另請參閱

rxFastTreesrxFastForestrxFastLinearrxOneClassSvmrxNeuralNetrxLogisticRegression

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,]