d <- read.csv('https://stats.dip.jp/01_ds/data/heart.data.csv')[, -1]
library(DT)
datatable(round(d, 1))
COL <- c(rgb(255, 0, 0, 255, max = 255), # 赤
rgb( 0, 0, 255, 255, max = 255), # 青
rgb( 0, 155, 0, 255, max = 255))
library(psych)
pairs.panels(d)
library(ggcorrplot)
## 要求されたパッケージ ggplot2 をロード中です
##
## 次のパッケージを付け加えます: 'ggplot2'
## 以下のオブジェクトは 'package:psych' からマスクされています:
##
## %+%, alpha
library(plotly)
##
## 次のパッケージを付け加えます: 'plotly'
## 以下のオブジェクトは 'package:ggplot2' からマスクされています:
##
## last_plot
## 以下のオブジェクトは 'package:stats' からマスクされています:
##
## filter
## 以下のオブジェクトは 'package:graphics' からマスクされています:
##
## layout
cor(d) |> ggcorrplot(lab = T, hc.order = T, outline.color = "white", p.mat = cor_pmat(d)) |> ggplotly() |>
layout(font = list(size = 11, color = 'blue', family = 'UD Digi Kyokasho NK-R'),
title = '主タイトル',
xaxis = list(title = 'x軸カテゴリラベル'),
yaxis = list(title = 'y軸カテゴリラベル'))
fit <- lm(heart.disease ~ biking + smoking, data = d)
library(sjPlot)
tab_model(fit, show.stat = T, show.aic = T)
|
|
heart.disease
|
|
Predictors
|
Estimates
|
CI
|
Statistic
|
p
|
|
(Intercept)
|
14.98
|
14.83 – 15.14
|
186.99
|
<0.001
|
|
biking
|
-0.20
|
-0.20 – -0.20
|
-146.53
|
<0.001
|
|
smoking
|
0.18
|
0.17 – 0.19
|
50.39
|
<0.001
|
|
Observations
|
498
|
|
R2 / R2 adjusted
|
0.980 / 0.980
|
|
AIC
|
995.353
|
plot_model(fit, show.values = T, show.intercept = T, width = 0.1)
plot(fit)
d <- read.csv('https://stats.dip.jp/01_ds/data/real_estate_price.csv')
datatable(round(d, 1))
fit <- lm(price ~ yr, data = d)
library(sjPlot)
str(d)
## 'data.frame': 414 obs. of 8 variables:
## $ id : int 1 2 3 4 5 6 7 8 9 10 ...
## $ yr : int 2012 2012 2013 2013 2012 2012 2012 2013 2013 2013 ...
## $ yrs_old: num 32 19.5 13.3 13.3 5 7.1 34.5 20.3 31.7 17.9 ...
## $ m_sta : num 84.9 306.6 562 562 390.6 ...
## $ nstores: int 10 9 5 5 5 3 7 6 1 3 ...
## $ lat : num 25 25 25 25 25 ...
## $ lon : num 122 122 122 122 122 ...
## $ price : num 37.9 42.2 47.3 54.8 43.1 32.1 40.3 46.7 18.8 22.1 ...
tab_model(fit, show.stat = T, show.aic = T)
|
|
price
|
|
Predictors
|
Estimates
|
CI
|
Statistic
|
p
|
|
(Intercept)
|
-4809.46
|
-10547.27 – 928.35
|
-1.65
|
0.100
|
|
yr
|
2.41
|
-0.44 – 5.26
|
1.66
|
0.098
|
|
Observations
|
414
|
|
R2 / R2 adjusted
|
0.007 / 0.004
|
|
AIC
|
3338.650
|
d <- read.csv('https://stats.dip.jp/01_ds/data/car_mileage.csv')
rownames(d) <- paste0('No.', 1:nrow(d))
colnames(d) <- c('km', 'ncy', 'cc', 'hp', 'kg', 'sec', 'yr', 'type', 'name')
library(DT)
datatable(d)
n <- nrow(d)
# 訓練データサイズの全サイズ80％とした。sample関数で非復元無作為抽出する。
ii.tr <- sample(1:n, size = floor(0.8*n))
d.tr <- d[ ii.tr, ] # 訓練データを抽出
d.te <- d[-ii.tr, ] # 試験データを抽出（負のインデックスの要素は除かれる）
fit <- lm(km ~ kg + cc, data = d.tr) # 訓練データでフィッティング
kmhat <- predict(fit, newdata = d.te) # 試験データの説明変数を用いて予測
RMSE <- sqrt(mean((d.te$km -kmhat)^2)) # 予測精度指標（２乗平均平方根誤差）
RMSE
## [1] 1.827347
get.accuracy <- function(yhat, y, digits = 2)
{
d <- data.frame(MBE = mean(yhat - y),
MAE = mean(abs(yhat - y)),
MAPE = mean(abs((yhat - y) / y)) * 100,
RMSE = sqrt(mean((yhat - y)^2)))
return(round(d, digits))
}
(a <- get.accuracy(d.te$km, kmhat))
## MBE MAE MAPE RMSE
## 1 0.01 1.35 14.68 1.83
fit <- lm(km ~ poly(kg, 2, raw = TRUE), data = d)
#summary(fit)
library(sjPlot)
tab_model(fit)
|
|
km
|
|
Predictors
|
Estimates
|
CI
|
p
|
|
(Intercept)
|
26.47
|
23.96 – 28.97
|
<0.001
|
|
kg [1st degree]
|
-0.02
|
-0.02 – -0.01
|
<0.001
|
|
kg [2nd degree]
|
0.00
|
0.00 – 0.00
|
<0.001
|
|
Observations
|
392
|
|
R2 / R2 adjusted
|
0.715 / 0.714
|
kg.p <- seq(0, 3000, 100)
# 信頼区間
conf <- predict(fit, newdata = data.frame(kg = kg.p),
interval = 'confidence')
# 予測区間
pred <- predict(fit, newdata = data.frame(kg = kg.p),
interval = 'prediction')
COL <- c(rgb(255, 0, 0, 105, max = 255), # 赤
rgb( 0, 0, 255, 105, max = 255), # 青
rgb( 0, 155, 0, 105, max = 255), # 緑
rgb(140, 140, 140, 105, max = 255), # 暗灰
rgb(180, 180, 180, 105, max = 255)) # 灰