시작하기무료로 시작하기

상호작용 항 모델링 (2)

이번 연습에서는 이전 연습에서 적합한 상호작용 모델의 성능을, 주효과만 포함한 모델의 성능과 비교해 보겠습니다. 이 데이터셋은 작기 때문에, 교차 검증을 사용해 홀드아웃 데이터에 대한 예측을 모의 실험하겠습니다.

계산을 위해 dplyr 패키지를 사용하기 시작합니다.

  • mutate() (docs)는 tbl(데이터 프레임의 한 형태)에 새 열을 추가합니다.
  • group_by() (docs)는 tbl에서 행을 그룹화하는 방법을 지정합니다.
  • summarize() (docs)는 열의 요약 통계를 계산합니다.

또한 여러 열을 키-값 쌍으로 접는 tidyr의 pivot_longer() (docs)도 사용합니다. alcohol 데이터 프레임과 수식 fmla_add, fmla_interaction은 미리 불러와져 있습니다.

이 연습은 강의의 일부입니다

R로 하는 Supervised Learning: 회귀

강의 보기

연습 안내

  • kWayCrossValidation() (docs)을 사용해 3-겹 교차 검증을 위한 분할 계획을 만드세요.
    • 첫 번째 인자는 분할할 행의 수입니다.
    • 두 번째 인자는 교차 검증의 폴드 수입니다.
    • 함수의 세 번째와 네 번째 인자는 NULL로 설정해도 됩니다.
  • 샘플 코드를 확인하고 실행해 상호작용 항이 없는 모델의 3-겹 교차 검증 예측을 구해 pred_add 열에 할당하세요.
  • 상호작용 항이 있는 모델의 3-겹 교차 검증 예측을 구하세요. 예측값을 pred_interaction 열에 할당하세요.
    • 절차는 샘플 코드에 나와 있습니다.
    • 이미 생성한 동일한 splitPlan을 사용하세요.
  • 빈칸을 채워 다음을 수행하세요.
    • 예측값을 하나의 열 pred로 pivot_longer 하세요.
    • 잔차 열(실제 결과 - 예측 결과)을 추가하세요.
    • 모델 유형별로 교차 검증 예측의 RMSE를 구하세요.
  • RMSE를 비교하세요. 이 결과를 바탕으로 어떤 모델을 사용하시겠습니까?

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# alcohol is available
summary(alcohol)

# Both the formulae are available
fmla_add
fmla_interaction

# Create the splitting plan for 3-fold cross validation
set.seed(34245)  # set the seed for reproducibility
splitPlan <- ___(___(___), ___, ___, ___)

# Sample code: Get cross-val predictions for main-effects only model
alcohol$pred_add <- 0  # initialize the prediction vector
for(i in 1:3) {
  split <- splitPlan[[i]]
  model_add <- lm(fmla_add, data = alcohol[split$train, ])
  alcohol$pred_add[split$app] <- predict(model_add, newdata = alcohol[split$app, ])
}

# Get the cross-val predictions for the model with interactions
alcohol$pred_interaction <- 0 # initialize the prediction vector
for(i ___ ___) {
  split <- ___
  model_interaction <- lm(___, data = alcohol[split$train, ])
  alcohol$___[split$app] <- predict(___, newdata = alcohol[split$app, ])
}

# Get RMSE
alcohol %>% 
  pivot_longer(cols=c('pred_add', 'pred_interaction'), names_to='modeltype', values_to='pred') %>%
  mutate(residuals = ____) %>%      
  group_by(modeltype) %>%
  summarize(rmse = ___(___(___)))
코드 편집 및 실행