Ein schrittweises Regressionsmodell aufbauen

Wenn Fachwissen zum Thema fehlt, kann Stepwise Regression dabei helfen, die wichtigsten Prädiktoren für das interessierende Ergebnis zu finden.

In dieser Übung verwendest du einen vorwärtsgerichteten, schrittweisen Ansatz, um Prädiktoren nacheinander zum Modell hinzuzufügen, bis kein zusätzlicher Nutzen mehr erkennbar ist. Der donors-Datensatz wurde für dich geladen.

Diese Übung ist Teil des Kurses

Überwachtes Lernen in R: Klassifikation

Kurs anzeigen

Anleitung zur Übung

Verwende die R-Formel-Schnittstelle mit glm(), um das Basismodell ohne Prädiktoren anzugeben. Setze die erklärende Variable auf 1.
Verwende erneut die R-Formel-Schnittstelle mit glm(), um das Modell mit allen Prädiktoren anzugeben.
Wende step() auf diese Modelle an, um eine vorwärtsgerichtete Stepwise Regression durchzuführen. Setze das erste Argument auf null_model und direction = "forward". Das kann eine Weile dauern (bis zu 10 oder 15 Sekunden), da dein Computer ziemlich viele verschiedene Modelle fitten muss, um die schrittweise Auswahl durchzuführen.
Erstelle einen Vektor vorhergesagter Wahrscheinlichkeiten mit der Funktion predict().
Zeichne die ROC-Kurve mit roc() und plot() und berechne die AUC des Stepwise-Modells mit auc().

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(___)

Code bearbeiten und ausführen