Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
Мы далеки от надежды, что представленные модели будут с энтузиазмом
восприняты специалистами по экологии растительных сообществ. Сформировать
коллекцию моделей – это далеко не конец обработки данных, а только самое ее начало.
Чтобы получить содержательно интерпретируемую модель, необходимо выполнить ряд
важных операций ( Цейтлин, 2007):
°
выделить область определения анализируемой модели путем окаймления
поверхностями, зависящими от характера распределения факторов,
149
°
сравнить "силу" влияния на отклик отдельных групп базисных функций для
различных интервалах их изменчивости,
°
исследовать степень коллинеарности переменных и характер распределения
остатков модели и др.
Но это – тема особого разговора, а мы стремились на этом примере только показать
сложность и неоднозначность решения проблемы отбора значимых параметров, которая
существует в различных областях знаний под названием Dimensionality Reduction
(уменьшение размерности).
К разделу 4.6:
# Загрузка данных из предварительно подготовленного двоичного файла
load("Fito.RData") ; prednames <- names(Fito)[2:8] ; library(glmulti) ; library(MASS) ;
library(mgcv)
# Получение субоптимальных моделей с взаимодействиями на основе генетического алгоритма
obga <- glmulti("Bmass",xr=prednames,data=Fito,family = gaussian, level=2, method="g",
marginality=TRUE, conseq=5,popsize=100,mutrate=1e-2)
BestFitoModel <- lm(formula = Bmass ~ 1 + Carb + Cl + Na + H + Na:Carb + H:Carb + H:Na,
data = Fito) ; summary(BestFitoModel)
# Оценка эффективных степеней свободы сглаживающих функций модели GAM
modGAM = gam(Bmass~s(Ca)+s(Carb)+s(Cl)+s(H)+s(Mg)+s(Na)+s(Sulfat), data=Fito)
summary(modGAM) ; anova(modGAM) ; plot(modGAM)
# Выполение нелинейных преобразований и расширение исходной таблицы
DF1 <- apply( Fito[,2:8], 2, log); colnames(DF1) <- paste("ln_",colnames(DF1), sep="")
DF2 <- apply( Fito[,2:8], 2, sqrt); colnames(DF2) <- paste("sqr_",colnames(DF2), sep="")
DF3 <- apply( Fito[,2:8], 2, exp); colnames(DF3) <- paste("exp_",colnames(DF3), sep="")
DF4 <- apply( Fito[,2:8],2,function(x) x*x)
colnames(DF4) <- paste(colnames(DF4),"_2", sep="")
DF5 <- apply( Fito[,2:8],2,function(x) 1/x)
colnames(DF5) <- paste("g1_",colnames(DF5), sep="")
DF6 <- apply( Fito[,2:8],2,function(x) exp(1/x))
colnames(DF6) <- paste("e1_",colnames(DF6), sep="")
Fito_R <- cbind(Fito, DF1, DF2, DF3, DF4, DF5, DF6)
# Поиск оптимальной модели с применением шаговой процедуры
Model.Full <- lm(Bmass~., data=Fito_R) ; summary(Model.Full); AIC(Model.Full)
stepAIC(Model.Full,data=Fito_R,steps = 5000,trace = FALSE)
# ------------- Алгоритм СПА - Случайный поиск с адаптацией ------------------
# Функция: Построение линейной модели по заданной комбинации признаков
estim.lm <- function (df, mask) {
fml <- as.formula(paste(names(df)[1],"~.")) ; df_sel <- df[,c(1,mask)]
return(lm(fml,df_sel)) }
# Функция: Адаптация методом "Поощрение-наказание"
adapt.lm <- function (probsVec,h, b.mask, w.mask) {
subVec = min(h, probsVec[w.mask]) ; probsNew <- probsVec
probsNew[w.mask] <- probsNew[w.mask] - subVec
probsNew[b.mask] <- probsNew[b.mask] + mean(subVec); return (probsNew)
}
# Функция: Случайный поиск с адаптацией
rsa = function (df, maxNF=min(10, ncol(df)-1), d=5 , Tit = 20, N = 20, h=0.05) {
# Аргументы: maxNF - максимальное число переменных в модели
# d — количество шагов после наxождения оптимума ; Tit — количество итераций
# N — количество генерируемых наборов на каждой итерации
# h — скорость адаптации (шаг изменения вероятностей)
# Результат - объект лучшей модели
n <- ncol(df)-1 ; p <- as.numeric(rep(1/n, n)) ; best.nF = 0
for (nF in sample.int(maxNF,maxNF,T)) {
for (iIt in 1:Tit) {
test.mask = sort(unique(sample.int(n, nF, T, p) + 1))
test.q = AIC(estim.lm(df, test.mask))
if (best.nF == 0) {
best.nF <- nF ; best.mask <- test.mask ; best.q <- test.q
worst.mask <- test.mask ; worst.q <- test.q }
150
else { if (best.q > test.q) { best.nF <- nF ; best.mask <- test.mask
best.q <- test.q }
else if (test.q > worst.q) { worst.mask <- test.mask ; worst.q <- test.q } }
}
if (nF - best.nF > d) break