การสร้างโมเดลที่มี interaction
ในแบบฝึกหัดนี้ จะใช้ interaction เพื่อสร้างโมเดลผลกระทบของเพศและการทำงานของกระเพาะอาหารต่อการเผาผลาญแอลกอฮอล์
ข้อมูล alcohol ถูกโหลดไว้ล่วงหน้าแล้ว และมีคอลัมน์ดังนี้:
Metabol: อัตราการเผาผลาญแอลกอฮอล์Gastric: อัตราการทำงานของเอนไซม์ gastric alcohol dehydrogenaseSex: เพศของผู้ดื่ม (MaleหรือFemale)
ในวิดีโอ เราได้ fit โมเดลสามแบบกับข้อมูล alcohol:
- แบบที่มีเฉพาะ additive (main effect) terms:
Metabol ~ Gastric + Sex - อีกสองแบบที่มี interaction ระหว่าง gastric activity และ sex
จะเห็นได้ว่าโมเดลที่มี interaction terms แบบหนึ่งให้ค่า R-squared ที่ดีกว่าโมเดล additive ซึ่งแสดงว่าการใช้ interaction terms ช่วยให้โมเดล fit ข้อมูลได้ดีขึ้น ในแบบฝึกหัดนี้ จะเปรียบเทียบค่า R-squared ของโมเดลที่มี interaction กับโมเดลที่มีเฉพาะ main effects
ขอให้นึกถึงตัวดำเนินการ : ที่ใช้ระบุ interaction ระหว่างตัวแปรสองตัว ส่วนตัวดำเนินการ * ระบุ interaction ระหว่างตัวแปรทั้งสอง พร้อมกับ main effects ด้วย
x*y = x + y + x:y
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Supervised Learning ใน R: การถดถอย
คำแนะนำการฝึกหัด
- เขียนสูตรที่แสดง
Metabolเป็นฟังก์ชันของGastricและSexโดยไม่มี interaction- กำหนดสูตรให้กับตัวแปร
fmla_addแล้วแสดงผล
- กำหนดสูตรให้กับตัวแปร
- เขียนสูตรที่แสดง
Metabolเป็นฟังก์ชันของ interaction ระหว่างGastricและSex- เพิ่ม
Gastricเป็น main effect แต่ไม่ต้องเพิ่มSex - กำหนดสูตรให้กับตัวแปร
fmla_interactionแล้วแสดงผล
- เพิ่ม
- Fit linear model ที่มีเฉพาะ main effects ชื่อ
model_addกับข้อมูล - Fit linear model ที่มี interaction ชื่อ
model_interactionกับข้อมูล - เรียกใช้
summary()กับโมเดลทั้งสอง โมเดลใดให้ค่า R-squared ที่ดีกว่า?
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# alcohol is available
summary(alcohol)
# Create the formula with main effects only
(fmla_add <- ___ )
# Create the formula with interactions
(fmla_interaction <- ___ )
# Fit the main effects only model
model_add <- ___
# Fit the interaction model
model_interaction <- ___
# Call summary on both models and compare
___
___