Sestavení modelu pomocí postupné regrese

Pokud nemáš k dispozici odborné znalosti z dané oblasti, může ti postupná regrese (stepwise regression) pomoct najít nejdůležitější prediktory sledovaného výsledku.

V tomto cvičení použiješ přístup dopředné postupné regrese, kdy přidáváš prediktory do modelu jeden po druhém, dokud nepřestane přinášet další zlepšení. Dataset donors je již načtený.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Pomocí rozhraní vzorců R a funkce glm() definuj základní model bez prediktorů. Nastav vysvětlující proměnnou na 1.
Pomocí rozhraní vzorců R a funkce glm() definuj model se všemi prediktory.
Aplikuj step() na tyto modely pro provedení dopředné postupné regrese. Nastav první argument na null_model a direction = "forward". Může to chvíli trvat (až 10–15 sekund), protože počítač musí otestovat celou řadu různých modelů.
Vytvoř vektor predikovaných pravděpodobností pomocí funkce predict().
Vykresli ROC křivku pomocí roc() a plot() a spočítej AUC postupného modelu pomocí auc().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Specify a null model with no predictors
null_model <- ___(___, data = ___, family = "___")

# Specify the full model using all of the potential predictors
full_model <- ___

# Use a forward stepwise algorithm to build a parsimonious model
step_model <- step(___, scope = list(lower = null_model, upper = full_model), direction = "___")

# Estimate the stepwise donation probability
step_prob <- ___

# Plot the ROC of the stepwise model
library(pROC)
ROC <- ___
plot(___, col = "red")
auc(___)

Upravit a spustit kód