Vidéo: Corrélation et Régression Linéaire Simple avec R 2024
Vous souhaitez créer un modèle d'analyse prédictive que vous pouvez évaluer en utilisant des résultats connus. Pour ce faire, nous allons diviser notre ensemble de données en deux ensembles: un pour la formation du modèle et un pour tester le modèle. Une répartition 70/30 entre les ensembles de données d'apprentissage et de formation suffira. Les deux lignes de code suivantes calculent et stockent les tailles de chaque ensemble: >> trainSize testSize <- nrow (autos) - trainSize
Pour afficher les valeurs, tapez le nom de la variable utilisée pour stocker la valeur et appuyez sur Entrée. Voici la sortie:
En examinant les données, vous pouvez voir que la plupart des autos plus lourdes, à huit cylindres, à plus grande cylindrée et plus puissantes se trouvent en haut de l'ensemble de données. De cette observation, sans avoir à exécuter d'algorithmes sur les données, vous pouvez déjà dire que (en général pour ce jeu de données) voitures plus anciennes par rapport aux voitures plus récentes comme suit:
sont plus lourdsont huit cylindres
-
ont plus grand déplacement
-
-
Avoir une plus grande puissance
Bon, évidemment, beaucoup de gens connaissent quelque chose sur les automobiles, alors devinez ce que sont les corrélations ne sera pas trop tiré par les cheveux après avoir vu les données. Quelqu'un avec beaucoup de connaissances de l'automobile peut-être déjà connu sans même regarder les données. -
Ceci est juste un exemple simple d'un domaine (voitures) auquel de nombreuses personnes peuvent s'identifier. S'il s'agissait de données sur le cancer, cependant, la plupart des gens ne comprendraient pas immédiatement ce que chaque attribut signifie.
C'est là qu'un expert du domaine et un modeleur de données sont essentiels au processus de modélisation. Les experts du domaine peuvent avoir la meilleure connaissance des attributs les plus importants (ou les moins importants) et de la manière dont les attributs sont en corrélation les uns avec les autres.
Ils peuvent suggérer au modélisateur de données les variables à expérimenter. Ils peuvent donner des poids plus importants à des attributs plus importants et / ou des poids plus petits à des attributs de moindre importance (ou les supprimer complètement).
Vous devez donc créer un jeu de données d'apprentissage et un jeu de données de test réellement représentatif de l'ensemble. Une façon de le faire est de créer l'ensemble d'apprentissage à partir d'une sélection aléatoire de l'ensemble de données entier.De plus, vous voulez que ce test soit reproductible pour que vous puissiez apprendre du même exemple.
Fixez ainsi la graine pour le générateur aléatoire afin que nous ayons le même jeu d'entraînement "aléatoire". Le code suivant fait cette tâche: >> set. seed (123)> training_indices <- exemple (seq_len (nrow (autos)), size = trainSize)> trainSet testSet <- autos [-training_indices,]
Le jeu d'apprentissage contient 279 observations, ainsi que les résultats (mpg) de chaque observation. L'algorithme de régression utilise le résultat pour former le modèle en examinant les relations entre les variables prédictives (l'un des sept attributs) et la variable de réponse (mpg).
L'ensemble de test contient le reste des données (c'est-à-dire la partie non incluse dans l'ensemble d'apprentissage). Vous devriez remarquer que l'ensemble de test inclut également la variable de réponse (mpg).Lorsque vous utilisez la fonction de prédiction (du modèle) avec l'ensemble de test, il ignore la variable de réponse et utilise uniquement les variables de prédicteur tant que les noms de colonne sont identiques à ceux de l'ensemble d'apprentissage.
Pour créer un modèle de régression linéaire qui utilise l'attribut mpg comme variable de réponse et toutes les autres variables comme variables prédictives, tapez la ligne de code suivante: >> model
