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:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
|
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:
1
2
3
4
5
6
7
8
|
> 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:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
> 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:
1
|
events$practical = grepl( "Hackathon|Hands on|Hands On" , events$event.name) |
Теперь мы можем снова запустить модель с новым столбцом, исключив поле ‘event.name’:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
|
> 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:
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
> 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.
Ссылка: | Р: Первая попытка линейной регрессии от нашего партнера по JCG Марка Нидхэма в блоге Марка Нидхэма . |