の続きです。前回はCSVファイルのデータをRに読み込ませるところまでやりました。
今回は試しに線形モデルを作ってみます。
モデル全体のp-valueは0.1022となりました。個々の変数の係数を見ると、p-valueが0.05以下のものはありません。線形モデルではターゲットを上手く予測できない感じですね。
実際のtargetとモデルの予測値を散布図にしてみましょう。
う～ん、ダメだこりゃって感じですね。
二乗項や交互作用も加えてみます。
モデル全体のp-valueは0.2084と悪化してしまいました。
散布図を描いてみます。
代わり映えしないですね。。
線形モデルで個人成績からその個人が所属するチームの順位を予測するのは難しいようです。
今回は以上です。
次回は
です。
はじめから読むには、
です。
今回のコードは以下になります。
#
# linear model
lm_mod <- lm(target ~ ., data = df)
#
# lm_modのサマリー
summary(lm_mod)
#
# 実際のtargetと予測値の散布図
tibble(
target = df$target,
estimate = predict(lm_mod)
) |>
ggplot(aes(x = target, y = estimate)) +
geom_point() +
geom_abline(color = "red") +
theme_minimal()
#
# 二乗項、交互作用も加える
lm_mod2 <- lm(target ~ rank + I(rank^2) + point + I(point^2) + game +
I(game^2) + try + I(try^2) + goal + I(goal^2) + pg +
I(pg^2) + point:try + try:goal + goal:pg, data = df)
#
# lm_mod2のサマリー
summary(lm_mod2)
#
# 散布図
tibble(
target = df$target,
estimate = predict(lm_mod2)
) |>
ggplot(aes(x = target, y = estimate)) +
geom_point() +
geom_abline(color = "red") +
labs(title = "二乗項と交互作用を加えたモデル") +
theme_minimal()
#
(冒頭の画像は、Bing Image Creator で生成しました。プロンプトは Natural wild field landscape, full of purple Nemophila flowers, close up of a Nemophila flower, blue sky, a small spring, photo です。)
