Você escreve pacotes e funções R? Este pacote mudará sua vida!

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

[ad_1]

[This article was first published on R on easystats, and kindly contributed to R-bloggers]. (Você pode relatar problemas sobre o conteúdo desta página aqui)


Quer compartilhar seu conteúdo em R-bloggers? clique aqui se você tiver um blog, ou aqui se não tiver.

O que é isso?

Estamos falando sobre o pacote de visão. É o que permite outros pacotes, como estatísticas fáceis (parâmetros, tamanho de efeito, desempenho, relatório, …) ou ggstatsplot, sjstats ou resumo do modelo para ser tão poderoso quanto eles, suportando toneladas de modelos R diferentes. Então, por que dificultar sua vida quando você pode ser como eles e confiar em discernimento?

É feito para desenvolvedores (e usuários) que fazem algum pós-processamento de modelos diferentes (por exemplo, extração de coisas como parâmetros, valores, dados, nomes, especificações, previsões, antecedentes, etc.), seja para exibir seus resultados de maneira adequada ou para fazer cálculos adicionais.

Se você trabalha com, e em torno de, diferentes modelos R, então este pacote é um must-have que mudará sua vida.

Qual é o problema

Como o R tem tantos pacotes diferentes, diferentes modelos foram implementados por pessoas diferentes de uma maneira diferente. Como consequência, existem diferentes maneiras de acessar as mesmas coisas de cada modelo.

Por exemplo, digamos que você deseja encontrar o nomes dos preditores (as variáveis ​​independentes) de um modelo linear. Uma maneira seria assim:

model_lm 

But what in the case of a lme4’s mixed model? Well the solution is a bit different, plus it’s not easy to drop the random factors…

model_lmer [email protected])[-1]
## [1] "drat" "wt"   "cyl"

E no caso do modelo aditivo geral do GAMM4?

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
model_gam 

Again different! Maybe you could do something like that, but then you have to account for all the edgecases and so on. And trust us, that’s a lot of work to have a robust and bug-free solution.

Como o ‘insight’ o aborda

discernimento permite que você extraia coisas de todos os modelos de uma forma consistente e robusta. Por exemplo, para os preditores fixos dos exemplos acima, veja como você faria isso com o insight:

library(insight)

find_predictors(model_lm)
## $conditional
## [1] "drat" "wt"
find_predictors(model_lmer)
## $conditional
## [1] "drat" "wt"
find_predictors(model_gam)
## $conditional
## [1] "drat" "wt"   "qsec"

Estrondo! Uma função que funciona para todos os modelos. E isso não é tudo, discernimento pode ajudá-lo a extrair dados, parâmetros, interceptações, graus de liberdade, sigma, variância, valores previstos, nomes de variáveis, termos de interação, fatores aleatórios, termos suaves, etc. etc. Basicamente, tudo o que você pode precisar. E se o que você precisa não estiver lá, basta peça por isso.

Você pode verificar tudo isso discernimento pode fazer Aqui.

Mais razões para usá-lo

Se você está preocupado em adicionar uma nova dependência ao seu pacote, não se preocupe! Porque discernimento é super leve: ele mesmo tem sem dependências. Portanto, é uma escolha segura para adicionar e confiar!

Inclui outros úteis recursos que você não sabe que realmente precisa, como formatação de valor, boa impressão de texto, exportação de tabelas e data.frames e muito mais! Dê uma olhada neles Aqui.

Envolver-se

estatísticas fáceis é um projeto em desenvolvimento ativo, em busca de colaboradores e apoiadores. Portanto, não hesite em nos contatar se você quer se envolver 🙂

  • Confira nossas outras postagens do blog Aqui!

Fique ligado

Para ser atualizado sobre o próximos recursos e coisas legais de R ou ciência de dados, você pode siga os pacotes no GitHub (clique em um dos pacotes easystats) e depois no Ver botão no canto superior direito), bem como o equipe easystats no twitter e online:



[ad_2]

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
Leia Também  Frank Harrell - Controvérsias em modelagem preditiva e aprendizado de máquina