Hvordan du lager en prediktiv Analytics-modell med R-regresjon - dummies

Du vil opprette en prediktiv analysemodell som du kan evaluere ved å bruke kjente utfall. For å gjøre det, skal vi dele datasettet i to sett: en for trening av modellen og en for testing av modellen. En 70/30 deling mellom trening og testing av datasett vil være tilstrekkelig. De neste to kodelinjene beregner og lagrer størrelsene på hvert sett: >> trainSize testSize <- nrow (autos) - trainSize

For å skrive ut verdiene, skriv inn navnet på variabelen som brukes til å lagre verdien og trykk enter. Her er utdataene:

>> trainSize [1] 279> testSize [1] 119

Denne koden bestemmer størrelsen på datasettene du har til hensikt å lage trenings- og testdatasettene. Du har fortsatt ikke faktisk opprettet disse settene. Også, du vil ikke bare ringe de første 279 observasjonene treningssettet og ringe de siste 119 observasjonene testsettet. Det ville skape en dårlig modell fordi datasettet ser ut som bestilt. Spesifikt er modell Year-kolonnen bestilt fra minste til største.

Fra undersøkelsen av dataene kan du se at de fleste av de tyngre, åtte sylinder, større forskyvning, større hestekrefter er plassert øverst på datasettet. Fra denne observasjonen, uten å måtte kjøre noen algoritmer på dataene, kan du allerede fortelle (generelt for dette datasettet) eldre biler sammenlignet med nyere biler som følger:

Er tyngre

Har åtte sylindere

• Har større forskyvning

• Har større hestekrefter

  Ok, åpenbart mange mennesker vet noe om biler, så en gjetning om hva korrelasjonene er, vil ikke bli for langt etter at du har sett dataene. Noen med mye bilkunnskap kan allerede ha kjent dette uten å se på dataene.

• Dette er bare et enkelt eksempel på et domene (biler) som mange mennesker kan forholde seg til. Hvis dette var data om kreft, ville de fleste ikke umiddelbart forstå hva hvert attributt betyr.

Her er en domeneekspert og en datamodeller avgjørende for modelleringsprosessen. Domeneeksperter kan ha den beste kjennskapen til hvilke attributter som er mest (eller minst) viktige - og hvordan attributter korrelerer med hverandre.

De kan foreslå til datamodellen hvilke variabler som skal eksperimentere med. De kan gi større vekter til flere viktige attributter og / eller mindre vekter til attributter av minst betydning (eller fjern dem helt).

Så du må lage et treningsdatasett og et testdatasett som er virkelig representativt for hele settet. En måte å gjøre det på er å opprette treningssettet fra et tilfeldig utvalg av hele datasettet.I tillegg vil du gjøre denne testen reproduserbar slik at du kan lære av det samme eksemplet.

Sett så frøet for tilfeldig generator, så vi vil ha det samme "tilfeldige" treningssettet. Følgende kode gjør denne oppgaven: >> sett. frø (123)> training_indices <- sample (seq_len (nrow (autos)), size = trainSize)> trainSet testSet <- autos [-training_indices,]

Treningssettet inneholder 279 observasjoner, sammen med resultatet (mpg) av hver observasjon. Regresjonsalgoritmen bruker utfallet til å trene modellen ved å se på forholdet mellom prediktorvariablene (noen av de sju attributter) og responsvariabelen (mpg).

Testsettet inneholder resten av dataene (det vil si den delen som ikke er inkludert i treningssettet). Du bør legge merke til at testsettet også inneholder respons (mpg) variabelen. 

Når du bruker prediksjonsfunksjonen (fra modellen) med testsettet, ignorerer du svarsvariabelen og bruker bare prediktorvariablene så lenge kolonnene er de samme som i treningssettet.

For å lage en lineær regresjonsmodell som bruker mpg-attributtet som svarvariabel og alle de andre variablene som prediktorvariabler, skriv inn følgende linje kode: >> modell