Bing Image Creator で生成: landscape, long view, flowers of Agapanthus, blue sky, white clouds, photo
の続きです。
前回は U と D だけのデータフレームを作成しました。各変数の差を計算すると、X12 や X14 が違いが大きかったですね。
この X12 と X14 で散布図を描いてみます。
けっこうはっきりと D と U は区別できそうですね。
tidymodels パッケージを読み込んで、ロジスティクス回帰で分類してみます。
library() 関数で tidymodels パッケージを読み込みました。
次は、glm のロジスティクス回帰モデルを生成します。
glm をエンジンにしたロジスティクス回帰は、ハイパーパラメータはありません。
続いて、レシピを生成します。
step_normalize(all_predictors()) で説明変数をすべて標準化するようにしました。
モデルとレシピを合わせて、ワークフローを生成します。
fit() 関数でロジスティクス回帰モデルの係数を決定します。
この推計された係数から X1 を予測します。predict() 関数を使います。
実際の結果と予測結果を比較してみましょう。
正解率は、(802 + 809) / (802 + 809 + 3 + 4) = 0.9956737 となりました。
99.57% という非常に高い正解率でした。
今回は以上です。
次回は
です。
初めから読むには、
です。
