Cara Membuat Model Analytics Prediktif dengan Regresi R - dummies

Anda ingin membuat model analisis prediktif yang dapat Anda evaluasi dengan menggunakan hasil yang diketahui. Untuk melakukan itu, kami akan membagi kumpulan data kami menjadi dua rangkaian: satu untuk melatih model dan satu untuk menguji model. Perpecahan 70/30 antara dataset pelatihan dan pengujian akan cukup. Dua baris kode berikut menghitung dan menyimpan ukuran dari setiap rangkaian: >> trainSize testSize <- nrow (autos) - trainSize

Untuk mengeluarkan nilai, ketik nama variabel yang digunakan untuk menyimpan nilai dan tekan enter. Inilah hasilnya:

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

Kode ini menentukan ukuran kumpulan data yang ingin Anda buat dalam kumpulan data pelatihan dan pengujian kami. Anda masih belum benar-benar membuat set tersebut. Juga, Anda tidak ingin hanya menelpon 279 observasi pertama tentang rangkaian pelatihan dan memanggil 119 observasi terakhir yang ditetapkan tes. Itu akan membuat model yang buruk karena dataset muncul dipesan. Secara khusus, model kolom bekas dipesan dari terkecil ke terbesar.

Dari memeriksa data, Anda dapat melihat bahwa sebagian besar perangkat keras yang lebih berat, delapan silinder, lebih besar, dan lebih besar daya kuda berada di puncak dataset. Dari pengamatan ini, tanpa harus menjalankan algoritma pada data, Anda sudah bisa mengetahui bahwa (pada umumnya untuk kumpulan data ini) mobil yang lebih tua dibandingkan mobil yang lebih baru sebagai berikut:

Lebih berat

Punya delapan silinder

• Punya perpindahan yang lebih besar

• Memiliki tenaga kuda lebih besar

  Baiklah, jelas banyak orang mengetahui sesuatu tentang mobil, jadi tebakan seperti apa korelasi tidak akan terlalu jauh setelah Anda melihat datanya. Seseorang dengan banyak pengetahuan mobil mungkin sudah tahu ini bahkan tanpa melihat datanya.

• Ini hanyalah contoh sederhana dari domain (mobil) yang bisa dihubungkan banyak orang. Jika ini adalah data tentang kanker, bagaimanapun, kebanyakan orang tidak akan segera mengerti apa arti masing-masing atribut.

Di sinilah pakar domain dan pemodel data sangat penting dalam proses pemodelan. Pakar domain mungkin memiliki pengetahuan terbaik tentang atribut mana yang paling banyak (atau paling tidak) penting - dan bagaimana atribut berkorelasi satu sama lain.

Mereka dapat menyarankan kepada pemodel data dimana variabel untuk bereksperimen. Mereka dapat memberi bobot lebih besar pada atribut yang lebih penting dan / atau bobot yang lebih kecil terhadap atribut yang paling tidak penting (atau menghapusnya sama sekali).

Jadi, Anda harus membuat dataset pelatihan dan kumpulan data tes yang benar-benar mewakili keseluruhan rangkaian. Salah satu cara untuk melakukannya adalah dengan membuat rangkaian pelatihan dari pemilihan acak seluruh dataset.Selain itu, Anda ingin membuat tes ini dapat direproduksi sehingga Anda bisa belajar dari contoh yang sama.

Jadi tetapkan benih untuk generator acak agar kita memiliki rangkaian latihan "acak" yang sama. Kode berikut melakukan tugas itu: >> set. benih (123)> training_indices <- sample (seq_len (noc (autos)), size = trainSize)> trainSet testSet <- autos [-training_indices,]

Kumpulan pelatihan berisi 279 observasi, bersamaan dengan hasilnya (mpg) setiap pengamatan. Algoritma regresi menggunakan hasil untuk melatih model dengan melihat hubungan antara variabel prediktor (salah satu dari tujuh atribut) dan variabel respon (mpg).

Kumpulan uji berisi sisa data (yaitu, bagian yang tidak termasuk dalam rangkaian pelatihan). Anda harus memperhatikan bahwa set tes juga mencakup variabel respon (mpg). 

Bila Anda menggunakan fungsi prediksi (dari model) dengan set tes, ia mengabaikan variabel respon dan hanya menggunakan variabel prediktor asalkan nama kolomnya sama dengan yang ada dalam set pelatihan.

Untuk membuat model regresi linier yang menggunakan atribut mpg sebagai variabel respon dan semua variabel lainnya sebagai variabel prediktor, ketik kode berikut: >> model