Hvordan nye analytiske forutsigelser med R-regresjon

For å gjøre analytiske spådommer med nye data, bruker du bare funksjonen med en liste over de sju attributtverdiene. Følgende kode gjør den jobben: >> newPrediction <- predict (model,

liste (sylindere = faktor (4), forskyvning = 370, 

hestekrefter = 150, vekt = 3904, akselerasjon = 12, modellJear = faktor (70), opprinnelse = faktor (1)), 
interval = "predict, level =.95) 
Dette er koden og utgangen av den nye prediksjonsverdien:

>> newPrediction fit lwr upr 1 14. 90128 8. 12795 21. 67462

Det du har her er din første virkelige prediksjon fra regresjonsmodellen. Fordi det er fra usynlige data og du ikke vet utfallet, kan du ikke sammenligne det mot noe annet for å finne ut om det var riktig.

Når du har evaluert modellen med testdatasettet, og du er fornøyd med nøyaktigheten, kan du være trygg på at du har bygget en god prediktiv modell. Du må vente på forretningsresultater for å måle effektiviteten av din prediktive modell.

Det kan være optimeringer du kan gjøre for å bygge en bedre og mer effektiv prediktiv modell. Ved å eksperimentere, kan du finne den beste kombinasjonen av prediktorer for å skape en raskere og mer nøyaktig modell.

En måte å konstruere en del av funksjonene på er å finne sammenhengen mellom variablene og fjerne de høyt korrelerte variablene. Hvis du fjerner de overflødige variablene som ikke legger til noe (eller legger til svært lite informasjon) til passformen, kan du øke hastigheten til modellen. Dette gjelder spesielt når du arbeider med mange observasjoner (rader med data) der prosessorkraft eller hastighet kan være et problem.

For et stort datasett vil flere attributter i en rekke data redusere behandlingen. Så du bør prøve å eliminere så mye overflødig informasjon som mulig.