Я работал над видео, которые сопровождают книгу «Введение в статистическое обучение с приложениями в R», и подумал, что было бы интересно опробовать алгоритм линейной регрессии на моем наборе данных встречи .
Я хотел посмотреть, насколько хорошо алгоритм линейной регрессии может предсказать, сколько людей, вероятно, попадет в RSVP к тому или иному событию. Я начал со следующего кода, чтобы построить фрейм данных, содержащий некоторые потенциальные предикторы:
library(RNeo4j)
officeEventsQuery = "MATCH (g:Group {name: \"Neo4j - London User Group\"})-[:HOSTED_EVENT]->(event)<-[:TO]-({response: 'yes'})<-[:RSVPD]-(),
(event)-[:HELD_AT]->(venue)
WHERE (event.time + event.utc_offset) < timestamp() AND venue.name IN [\"Neo Technology\", \"OpenCredo\"]
RETURN event.time + event.utc_offset AS eventTime,event.announced_at AS announcedAt, event.name, COUNT(*) AS rsvps"
events = subset(cypher(graph, officeEventsQuery), !is.na(announcedAt))
events$eventTime <- timestampToDate(events$eventTime)
events$day <- format(events$eventTime, "%A")
events$monthYear <- format(events$eventTime, "%m-%Y")
events$month <- format(events$eventTime, "%m")
events$year <- format(events$eventTime, "%Y")
events$announcedAt<- timestampToDate(events$announcedAt)
events$timeDiff = as.numeric(events$eventTime - events$announcedAt, units = "days")
Если мы просматриваем «события», он содержит следующие столбцы:
> head(events)
eventTime announcedAt event.name rsvps day monthYear month year timeDiff
1 2013-01-29 18:00:00 2012-11-30 11:30:57 Intro to Graphs 24 Tuesday 01-2013 01 2013 60.270174
2 2014-06-24 18:30:00 2014-06-18 19:11:19 Intro to Graphs 43 Tuesday 06-2014 06 2014 5.971308
3 2014-06-18 18:30:00 2014-06-08 07:03:13 Neo4j World Cup Hackathon 24 Wednesday 06-2014 06 2014 10.476933
4 2014-05-20 18:30:00 2014-05-14 18:56:06 Intro to Graphs 53 Tuesday 05-2014 05 2014 5.981875
5 2014-02-11 18:00:00 2014-02-05 19:11:03 Intro to Graphs 35 Tuesday 02-2014 02 2014 5.950660
6 2014-09-04 18:30:00 2014-08-26 06:34:01 Hands On Intro to Cypher - Neo4j's Query Language 20 Thursday 09-2014 09 2014 9.497211
Мы хотим предсказать rsvps из других столбцов, поэтому я начал с создания линейной модели, которая учитывала бы все остальные столбцы:
> summary(lm(rsvps ~., data = events))
Call:
lm(formula = rsvps ~ ., data = events)
Residuals:
Min 1Q Median 3Q Max
-8.2582 -1.1538 0.0000 0.4158 10.5803
Coefficients: (14 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) -9.365e+03 3.009e+03 -3.113 0.00897 **
eventTime 3.609e-06 2.951e-06 1.223 0.24479
announcedAt 3.278e-06 2.553e-06 1.284 0.22339
event.nameGraph Modelling - Do's and Don'ts 4.884e+01 1.140e+01 4.286 0.00106 **
event.nameHands on build your first Neo4j app for Java developers 3.735e+01 1.048e+01 3.562 0.00391 **
event.nameHands On Intro to Cypher - Neo4j's Query Language 2.560e+01 9.713e+00 2.635 0.02177 *
event.nameIntro to Graphs 2.238e+01 8.726e+00 2.564 0.02480 *
event.nameIntroduction to Graph Database Modeling -1.304e+02 4.835e+01 -2.696 0.01946 *
event.nameLunch with Neo4j's CEO, Emil Eifrem 3.920e+01 1.113e+01 3.523 0.00420 **
event.nameNeo4j Clojure Hackathon -3.063e+00 1.195e+01 -0.256 0.80203
event.nameNeo4j Python Hackathon with py2neo's Nigel Small 2.128e+01 1.070e+01 1.989 0.06998 .
event.nameNeo4j World Cup Hackathon 5.004e+00 9.622e+00 0.520 0.61251
dayTuesday 2.068e+01 5.626e+00 3.676 0.00317 **
dayWednesday 2.300e+01 5.522e+00 4.165 0.00131 **
monthYear01-2014 -2.350e+02 7.377e+01 -3.185 0.00784 **
monthYear02-2013 -2.526e+01 1.376e+01 -1.836 0.09130 .
monthYear02-2014 -2.325e+02 7.763e+01 -2.995 0.01118 *
monthYear03-2013 -4.605e+01 1.683e+01 -2.736 0.01805 *
monthYear03-2014 -2.371e+02 8.324e+01 -2.848 0.01468 *
monthYear04-2013 -6.570e+01 2.309e+01 -2.845 0.01477 *
monthYear04-2014 -2.535e+02 8.746e+01 -2.899 0.01336 *
monthYear05-2013 -8.672e+01 2.845e+01 -3.049 0.01011 *
monthYear05-2014 -2.802e+02 9.420e+01 -2.975 0.01160 *
monthYear06-2013 -1.022e+02 3.283e+01 -3.113 0.00897 **
monthYear06-2014 -2.996e+02 1.003e+02 -2.988 0.01132 *
monthYear07-2014 -3.123e+02 1.054e+02 -2.965 0.01182 *
monthYear08-2013 -1.326e+02 4.323e+01 -3.067 0.00976 **
monthYear08-2014 -3.060e+02 1.107e+02 -2.763 0.01718 *
monthYear09-2013 NA NA NA NA
monthYear09-2014 -3.465e+02 1.164e+02 -2.976 0.01158 *
monthYear10-2012 2.602e+01 1.959e+01 1.328 0.20886
monthYear10-2013 -1.728e+02 5.678e+01 -3.044 0.01020 *
monthYear11-2012 2.717e+01 1.509e+01 1.800 0.09704 .
month02 NA NA NA NA
month03 NA NA NA NA
month04 NA NA NA NA
month05 NA NA NA NA
month06 NA NA NA NA
month07 NA NA NA NA
month08 NA NA NA NA
month09 NA NA NA NA
month10 NA NA NA NA
month11 NA NA NA NA
year2013 NA NA NA NA
year2014 NA NA NA NA
timeDiff NA NA NA NA
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 5.287 on 12 degrees of freedom
Multiple R-squared: 0.9585, Adjusted R-squared: 0.8512
F-statistic: 8.934 on 31 and 12 DF, p-value: 0.0001399
Насколько я понимаю, мы можем взглянуть на значение R-квадрата, чтобы понять, какая разница в данных была объяснена моделью — в данном случае это 85%.
Многие коэффициенты, кажется, основаны на конкретных именах событий, которые кажутся мне слишком специфичными, поэтому я хотел посмотреть, что произойдет, если я получу функцию, которая указывает, практичен ли сеанс:
events$practical = grepl("Hackathon|Hands on|Hands On", events$event.name)
Теперь мы можем снова запустить модель с новым столбцом, исключив поле ‘event.name’:
> summary(lm(rsvps ~., data = subset(events, select = -c(event.name))))
Call:
lm(formula = rsvps ~ ., data = subset(events, select = -c(event.name)))
Residuals:
Min 1Q Median 3Q Max
-18.647 -2.311 0.000 2.908 23.218
Coefficients: (13 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) -3.980e+03 4.752e+03 -0.838 0.4127
eventTime 2.907e-06 3.873e-06 0.751 0.4621
announcedAt 3.336e-08 3.559e-06 0.009 0.9926
dayTuesday 7.547e+00 6.080e+00 1.241 0.2296
dayWednesday 2.442e+00 7.046e+00 0.347 0.7327
monthYear01-2014 -9.562e+01 1.187e+02 -0.806 0.4303
monthYear02-2013 -4.230e+00 2.289e+01 -0.185 0.8553
monthYear02-2014 -9.156e+01 1.254e+02 -0.730 0.4742
monthYear03-2013 -1.633e+01 2.808e+01 -0.582 0.5676
monthYear03-2014 -8.094e+01 1.329e+02 -0.609 0.5496
monthYear04-2013 -2.249e+01 3.785e+01 -0.594 0.5595
monthYear04-2014 -9.230e+01 1.401e+02 -0.659 0.5180
monthYear05-2013 -3.237e+01 4.654e+01 -0.696 0.4952
monthYear05-2014 -1.015e+02 1.509e+02 -0.673 0.5092
monthYear06-2013 -3.947e+01 5.355e+01 -0.737 0.4701
monthYear06-2014 -1.081e+02 1.604e+02 -0.674 0.5084
monthYear07-2014 -1.110e+02 1.678e+02 -0.661 0.5163
monthYear08-2013 -5.144e+01 6.988e+01 -0.736 0.4706
monthYear08-2014 -1.023e+02 1.784e+02 -0.573 0.5731
monthYear09-2013 -6.057e+01 7.893e+01 -0.767 0.4523
monthYear09-2014 -1.260e+02 1.874e+02 -0.672 0.5094
monthYear10-2012 9.557e+00 2.873e+01 0.333 0.7430
monthYear10-2013 -6.450e+01 9.169e+01 -0.703 0.4903
monthYear11-2012 1.689e+01 2.316e+01 0.729 0.4748
month02 NA NA NA NA
month03 NA NA NA NA
month04 NA NA NA NA
month05 NA NA NA NA
month06 NA NA NA NA
month07 NA NA NA NA
month08 NA NA NA NA
month09 NA NA NA NA
month10 NA NA NA NA
month11 NA NA NA NA
year2013 NA NA NA NA
year2014 NA NA NA NA
timeDiff NA NA NA NA
practicalTRUE -9.388e+00 5.289e+00 -1.775 0.0919 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 10.21 on 19 degrees of freedom
Multiple R-squared: 0.7546, Adjusted R-squared: 0.4446
F-statistic: 2.434 on 24 and 19 DF, p-value: 0.02592
Теперь мы учитываем только 44% дисперсии, и ни один из наших коэффициентов не является значимым, так что это не было таким хорошим изменением.
Я также заметил, что у нас есть некоторые совпадения в функциях, связанных с датами — у нас есть один столбец для monthYear и затем отдельные столбцы для месяца и года. Давайте выделим объединенный:
> summary(lm(rsvps ~., data = subset(events, select = -c(event.name, monthYear))))
Call:
lm(formula = rsvps ~ ., data = subset(events, select = -c(event.name,
monthYear)))
Residuals:
Min 1Q Median 3Q Max
-16.5745 -4.0507 -0.1042 3.6586 24.4715
Coefficients: (1 not defined because of singularities)
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.573e+03 4.315e+03 -0.364 0.7185
eventTime 3.320e-06 3.434e-06 0.967 0.3425
announcedAt -2.149e-06 2.201e-06 -0.976 0.3379
dayTuesday 4.713e+00 5.871e+00 0.803 0.4294
dayWednesday -2.253e-01 6.685e+00 -0.034 0.9734
month02 3.164e+00 1.285e+01 0.246 0.8075
month03 1.127e+01 1.858e+01 0.607 0.5494
month04 4.148e+00 2.581e+01 0.161 0.8736
month05 1.979e+00 3.425e+01 0.058 0.9544
month06 -1.220e-01 4.271e+01 -0.003 0.9977
month07 1.671e+00 4.955e+01 0.034 0.9734
month08 8.849e+00 5.940e+01 0.149 0.8827
month09 -5.496e+00 6.782e+01 -0.081 0.9360
month10 -5.066e+00 7.893e+01 -0.064 0.9493
month11 4.255e+00 8.697e+01 0.049 0.9614
year2013 -1.799e+01 1.032e+02 -0.174 0.8629
year2014 -3.281e+01 2.045e+02 -0.160 0.8738
timeDiff NA NA NA NA
practicalTRUE -9.816e+00 5.084e+00 -1.931 0.0645 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 10.19 on 26 degrees of freedom
Multiple R-squared: 0.666, Adjusted R-squared: 0.4476
F-statistic: 3.049 on 17 and 26 DF, p-value: 0.005187
Опять же, ни один из коэффициентов не является статистически значимым, что разочаровывает. Я думаю, что главная проблема может заключаться в том, что у меня очень мало точек данных (всего 42), что затрудняет разработку общей модели.
Я думаю, что мой следующий шаг — поиск других функций, которые могут повлиять на количество RSVP, например, другие события в этот день, погоду.
Я новичок в этом, но пытаюсь узнать больше, поэтому, если у вас есть идеи о том, что мне делать дальше, пожалуйста, дайте мне знать.