06-Regression, naive bayes Praxis

- σ(z) = 1 / (1 + e^(−z))./Wandelt lineare Kombination in Wahrscheinlichkeit (0–1).

- ŷ = arg max P(Y) Π P(xᵢ|Y)./Wähle Klasse mit größter Posterior-Wahrscheinlichkeit.

- Lineare Regression (LSQ)./Syntax: lm(y ~ x1 + x2, data=df)/Beispiel: summary(lm(...)) → β, SE, p, R².

- Vorhersagen/Konfidenzen aus lm-Modell./Syntax: predict(mod, newdata, interval="confidence")/Beispiel: CI für ŷ.

- Variance Inflation Factor (Multikollinearität)./Syntax: car::vif(mod)/Beispiel: VIF > 10 → kritisch.

- Logistische Regression./Syntax: glm(y ~ x, family=binomial, data=df)/Beispiel: summary(glm(...)) → Log-Odds-Koeffizienten.

- Logit ↔ Wahrscheinlichkeit Transformation./Syntax: plogis(η)

- Liefert p = P(Y=1|X)./Syntax: predict(mod, new, type="response")/Beispiel: Schwelle 0.5 → Klassen.

- ROC-Kurven & AUC./Syntax: pROC::roc(y, p)

- Konfusionsmatrix & Metriken./Syntax: confusionMatrix(pred, ref)/Beispiel: Accuracy, Sens., Spec., F1.

- Modellselektion (AIC)./Syntax: MASS::stepAIC(mod, direction="both")/Beispiel: Variablenauswahl.

- k-CV-Training & Tuning./Syntax: train(y~., data=df, method="glm", trControl=trainControl(method="cv", number=10))/Beispiel: validierte Scores.

- Naive-Bayes-Klassifikator (Gaussian/Bernoulli)./Syntax: model <- naiveBayes(y ~ ., data=df)/Beispiel: predict(model, newdata, type="raw").

- Alternative NB-Implementierung mit mehr Optionen./Syntax: klaR::NaiveBayes(x, grouping)/Beispiel: Wahrscheinlichkeiten pro Klasse.

- Metriken (accuracy, roc_auc, f_meas)./Syntax: yardstick::accuracy(truth, estimate)/Beispiel: einheitliche Evaluierung.

- Saubere Tabellen aus Modellobjekten./Syntax: tidy(mod)

- Visualisiert marginale Effekte./Syntax: plot(allEffects(glm_mod))/Beispiel: Einfluss einzelner Prädiktoren.