の続きです。
前回はロジスティクス回帰分析で、売上高が伸びているかどうか、というのをsaiyou: 採用人数で回帰する分析モデルをつくりました。
今回は結果をもう少し詳しくみてみます。
まず、saiyouとchg_net_dummy: 売上高が伸びていれば１、そうでないなら０ の散布図にモデルの予測数値を重ねてみましょう。
正直なところ、あまりモデルはあてはまっていないです。というかそもそもchg_net_dummyをsaiyouだけで説明するのは厳しい感じですね。
confusionMatrixを作成してみます。caretパッケージを読み込みます。
predict関数でモデルの予測値を作ります。
confusionMatrix関数を実行します。
実際は0だったのを正しく0と予測したのが、23個、実際は1だったのを正しく1と予測したのが11個、合わせて34個が正解です。正解率は34/47=0.7234です。これがAccuracyのところの数値です。
実際は0だったのを正しく予測したのが23個、間違って予測したのが4個、なので、実際が0のときの正解率は、23/(23+4)=0.8519です。これがSensitivityのところの数字です。
実際は1だったのを正しく予測したのが9個、間違って予測したのが11個、なので実際が1のときの正解率は、11/(9+11)=0.5500です。これがSpecificityです。
一番はじめのモデル、glm_1でも同じようにconfusionMatrixをやってみます。
まずは、glm_1の確認です。
このモデルの予測値を作ります。
confusionMatrixを作ります。
glm_1のほうがAccuracyとSpecificityの値が高いですね。
Accuracyが全体の正解率。
SensitivityがPositive classの正解率。
SpecificityがNegative classの正解率でした。
今回は以上です。
はじめから読むには、
です。
