Parcours-ML/02_Regression/lm.R

library(tidyverse)
library(broom)

data(iris)

# Création du modèle
fit <- lm(Sepal.Length ~ Petal.Length, data = iris)

# Résultat
fit

# Résultat détaillé
fit %>% summary

# Test de corrélation
cor.test(iris$Sepal.Length, iris$Petal.Length)

# Coefficient de corrélation -> R²
cor.test(iris$Sepal.Length, iris$Petal.Length)$estimate ^ 2

# Utilisation de broom pour extraire les données du modèle

# Glance -> paramètres du modèle
fit %>% glance

# Tidy -> résultats pour chaque prédicteur
fit %>% tidy

# Augment -> détail pour chaque observation
fit %>% augment

# Diagnostic du modèle
fit %>% plot

# Prédiction de valeurs
tibble(Petal.Length = 1:7,
       Sepal.Length = predict(fit, tibble(Petal.Length = Petal.Length))) -> pred

iris %>%
  ggplot() +
  aes(x = Petal.Length, y = Sepal.Length) +
  geom_point() +
  # geom_abline(intercept = fit %>% tidy %>% filter(term == "(Intercept)") %>% pull(estimate),
              # slope = fit %>% tidy %>% filter(term == "Petal.Length") %>% pull(estimate)) +
  geom_point(data = pred, aes(x = Petal.Length, y = Sepal.Length), color = "red")

# Exemple avec gapminder
library(gapminder)
data(gapminder)

gapminder %>%
  ggplot() +
  aes(x = year, y = lifeExp, group = country) +
  geom_line()

gapminder %>%
  filter(country == "France") -> france

lm(lifeExp ~ year, data = france) -> fit_fr

fit_fr %>% glance
fit_fr %>% tidy

france %>%
  ggplot() +
  aes(x = year, y = lifeExp) +
  geom_line()

tibble(year = 2008:2050,
       lifeExp = predict(fit_fr, tibble(year = year))) -> pred

france %>%
  bind_rows(pred) %>%
  ggplot() +
  aes(x = year, y = lifeExp) +
  geom_line()

gapminder %>%
  group_by(continent, country) %>%
  do(rsquared = lm(data = ., lifeExp ~ year) %>% glance %>% pull(r.squared)) %>%
  unnest -> rsq

rsq %>%
  ggplot() +
  aes(x = rsquared) +
  geom_histogram()

rsq %>%
  mutate(country = country %>% fct_reorder(rsquared)) %>%
  ggplot() +
  aes(x = rsquared, y = country, color = continent) +
  geom_point()