然后我们再使用summary()函数解读并提取这个模型的计算结果:_第四十三讲 R-回归预测模型的自举重采样验证（boostrap-resampling）...

原创

于 2021-02-04 22:47:24 发布 · 834 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#然后我们再使用summary()函数解读并提取这个模型的计算结果:

本文介绍了使用自举重采样验证来评估预测模型的性能和不确定性。通过R语言的boot包，以线性回归为例展示了如何计算重采样数据集的模型系数标准误差，进而估算置信区间。自举法不依赖于线性模型假设，因此可能提供更准确的估计。

对于如何验证预测模型在新的数据集中是否有较好的拟合性能，除了第四十二讲中介绍的交叉验证外，还有一种更加复杂但稳定的方法，叫做自举重采样验证（boostrap-resampling）。

1. 自举重采样

自举重采样（bootstrap-resampling）验证可用于测量预测模型的准确性，也可用于评价模型的不确定性。该方法为从原始数据集中重复随机选择n个观察值的样本，并评估每个副本的模型性能。然后计算平均标准误差，从而衡量模型性能总体差异。

2. 加载所需的R包

tidyverse 便于数据操作和可视化
caret 用于计算交叉验证

library(tidyverse)
library(caret)

3. 数据示例

我们将使用R的内置数据集swiss。

# 加载数据
library(datasets)
data("swiss")
# 查看数据（随机选取3行数据来查看）
sample_n(swiss, 3)
Fertility Agriculture Examination Education Catholic Infant.Mortality
1      77.3        89.7           5         2   100.00             18.3
2      76.1        35.3           9         7    90.57