Microsoft R Machine Learning 모델의 요약입니다.
사용법
## S3 method for class `mlModel':
summary (object, top = 20, ...)
주장들
object
MicrosoftML 분석에서 반환된 모델 개체입니다.
top
rxLogisticRegression 및 rxFastLinear와 같은 선형 모델에 대한 요약에 표시할 상위 계수의 수를 지정합니다. 바이어스가 먼저 나타나고 그 뒤에 다른 가중치가 나타나고 절대값이 내림차순으로 정렬됩니다. 이 값으로 NULL설정하면 0이 아닌 모든 계수가 표시됩니다. 그렇지 않으면 첫 번째 top 계수만 표시됩니다.
...
요약 메서드에 전달할 추가 인수입니다.
세부 정보
원래 함수 호출에 대한 요약 정보를 제공합니다.
모델을 학습하는 데 사용되는 데이터 집합 및 모델의 계수에 대한 통계입니다.
가치
summary 분석 개체의 메서드는 원래 함수 호출 및 사용된 기본 매개 변수를 포함하는 목록을 반환합니다. 메서드는 coef 모델 개체에서 정보를 처리하는 명명된 가중치 벡터를 반환합니다.
rxLogisticRegression의 경우 다음 통계가 요약에 있을 수도 showTrainingStatsTRUE있습니다.
training.size
모델 학습에 사용되는 데이터 집합의 크기(행 수)입니다.
deviance
모델 편차는 모델에 통합된 모든 기능을 사용하여 관찰을 얻을 가능성이 있는 위치에 -2 * ln(L) 의해 L 제공됩니다.
null.deviance
null 편차는 기능에서 영향을 주지 않고 관찰을 얻을 가능성이 있는 위치에 -2 * ln(L0) 의해 L0 지정됩니다. 모델에 바이어스(있는 경우)가 null 모델에 포함됩니다.
aic
AIC(Akaike 정보 기준)는 모델의 계수 수인 2 * k ``+ deviance 것으로 k정의됩니다. 바이어스는 계수 중 하나로 계산됩니다. AIC는 모델의 상대적 품질 측정값입니다. 모델의 적합성(편차로 측정됨)과 모델의 복잡성(계수 수로 측정)의 절충을 다룹니다.
coefficients.stats
모델의 각 계수에 대한 통계를 포함하는 데이터 프레임입니다. 각 계수에 대해 다음 통계가 표시됩니다. 바이어스는 첫 번째 행에 나타나고 나머지 계수는 p-값의 오름차순으로 표시됩니다.
- Estimate 모델의 예상 계수 값입니다.
- Std ErrorThis는 계수 추정값의 큰 샘플 분산의 제곱근입니다.
- z-ScoreWe는 예측 비율과 표준 오차를 계산하여 계수의 중요성과 관련하여 계수가 0이어야 한다고 명시하는 null 가설을 테스트할 수 있습니다. null 가설에 따라 정규화가 적용되지 않은 경우 관련 계수의 추정값은 평균 0과 위에서 계산한 표준 오차와 동일한 표준 편차를 갖는 정규 분포를 따릅니다. z 점수는 계수의 예상값과 계수의 표준 오차 사이의 비율을 출력합니다.
- Pr(>|z|) z 점수의 양면 테스트에 해당하는 p-값입니다. 중요도 수준에 따라 중요도 표시기가 p-값에 추가됩니다. 표준 정규 분포
F(x)N(0, 1)의 CDF인 경우P(>|z|) = 2 - ``2 * F(|z|).
작성자
Microsoft Corporation Microsoft Technical Support
참고하십시오
rxFastTrees, rxFastForest, rxFastLinear, rxOneClassSvm, rxNeuralNet, rxLogisticRegression.
예시
# 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,]