summary.mlModel: Microsoft R Machine Learning 모델에 대한 요약입니다.

아티클
01/02/2025

Microsoft R Machine Learning 모델에 대한 요약입니다.

사용

 ## S3 method for class `mlModel':
summary  (object, top = 20, ...)

인수

`object`

MicrosoftML 분석에서 반환된 모델 개체입니다.

`top`

rxLogisticRegression 및 rxFastLinear와 같은 선형 모델에 대한 요약에 표시할 상위 계수 수를 지정합니다. 바이어스가 먼저 표시된 후 다른 가중치가 표시되고 절대값을 기준으로 내림차순으로 정렬됩니다. NULL로 설정되면 0이 아닌 모든 계수가 표시됩니다. 그렇지 않으면 첫 번째 top 계수만 표시됩니다.

`...`

요약 메서드에 전달할 추가 인수입니다.

세부 정보

원본 함수 호출에 관한 요약 정보를 제공합니다.
모델 학습에 사용되는 데이터 세트, 모델의 계수에 대한 통계입니다.

값

MicrosoftML 분석 개체의 summary 메서드는 원본 함수 호출과 사용된 기본 매개 변수를 포함하는 목록을 반환합니다. coef 메서드는 가중치의 명명된 벡터를 반환하여 모델 개체의 정보를 처리합니다.

rxLogisticRegression의 경우 showTrainingStats가 TRUE로 설정되면 요약에 다음 통계가 표시될 수도 있습니다.

`training.size`

모델 학습에 사용되는 데이터 세트의 행 개수를 기준으로 하는 크기입니다.

`deviance`

모델 편차는 -2 * ln(L)에 의해 제공됩니다. 여기서 L은 모델에 통합된 모든 기능을 사용하여 관찰을 얻을 가능성입니다.

`null.deviance`

Null 편차는 -2 * ln(L0)에 의해 제공됩니다. 여기서 L0은 기능이 영향을 주지 않고 관찰을 얻을 가능성입니다. 바이어스가 모델에 포함된 경우 null 모델은 바이어스를 포함합니다.

`aic`

AIC(Akaike Information Criterion)는 2 * k ``+ deviance로 정의됩니다. 여기서 k는 모델의 계수 수입니다. 바이어스는 계수 중 하나로 계산됩니다. AIC는 모델의 상대적 품질 측정값입니다. 모델 적합도(편차로 측정됨)와 모델 복잡도(계수 수로 측정됨) 간 절충을 처리합니다.

`coefficients.stats`

이는 모델의 각 계수에 대한 통계를 포함하는 데이터 프레임입니다. 각 계수에 대해 다음 통계가 표시됩니다. 바이어스는 첫 번째 행에 표시되고 나머지 계수는 p 값의 오름차순으로 표시됩니다.

Estimate - 모델의 예상 계수 값입니다.
Std Error - 계수 예측값의 대규모 표본 분산의 제곱근입니다.
z-Score - 해당 예측값 및 표준 오차의 비율을 계산하여 계수의 중요도와 관련하여 계수가 0이어야 함을 명시하는 null 가설에 대해 테스트할 수 있습니다. Null 가설에 따라 적용되는 정규화가 없는 경우 관련 계수의 예측값은 평균 0과 표준 편차가 위에서 계산한 표준 오차와 같은 정규 분포를 따릅니다. z-score는 계수 예측값과 계수의 표준 오차 사이 비율을 출력합니다.
Pr(>|z|) - z-score의 양면 테스트에 대한 해당 p 값입니다. 중요도 수준에 따라 p 값에 중요도 표시기가 추가됩니다. F(x)가 표준 정규 분포 N(0, 1)의 CDF이면 P(>|z|) = 2 - ``2 * F(|z|)입니다.

작성자

Microsoft Corporation Microsoft Technical Support

추가 정보

rxFastTrees, rxFastForest, rxFastLinear, rxOneClassSvm, rxNeuralNet, rxLogisticRegression.

예


 # 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,]

다음을 통해 공유