Vidéo: Formation Data science avec R | Utiliser les fichiers exercices 2024
Vous devez obtenir les données dans un formulaire que l'algorithme peut utiliser pour construire un modèle analytique prédictif. Pour ce faire, vous devez prendre le temps de comprendre les données et de connaître la structure des données. Tapez la fonction pour connaître la structure des données. La commande et sa sortie ressemblent à ceci: >> données str (autos) '. frame ': 398 obs. de 9 variables: $ V1: num 18 15 18 16 17 15 14 14 14 15 … $ V2: int 8 8 8 8 8 8 8 8 8 8 … $ V3: num 307 350 318 304 302 429 454 440 455 390 … $ V4: chr "130. 0" "165. 0" "150. 0" "150. 0" … $ V5: num 3504 3693 3436 3433 3449 … $ V6: num 12 11. 5 11 12 10. 5 10 9 8 5 10 8. 5 … $ V7: int 70 70 70 70 70 70 70 70 70 70 … $ V8: int 1 1 1 1 1 1 1 1 1 1 … $ V9: Facteur w / 305 niveaux "amc ambassadeur brougham", …:
50 37 232 15 162 142 55 224 242 2 …En regardant la structure, vous pouvez dire qu'il y a une certaine préparation des données et un nettoyage à faire. Voici une liste des tâches nécessaires:
-
Ce n'est pas strictement nécessaire, mais pour les besoins de cet exemple, il est préférable d'utiliser des noms de colonnes que vous pouvez comprendre et mémoriser.
Modifiez le type de données de V4 (
-
horsepower ) en un type de données numeric . Dans cet exemple, la puissance est une valeur numérique continue et non un type de données caractère.
Gérer les valeurs manquantes.
-
Ici, la puissance a six valeurs manquantes.Modifiez les attributs ayant des valeurs discrètes en facteurs.
-
Ici, les cylindres, l'année du modèle et l'origine ont des valeurs discrètes.
Supprimer l'attribut V9 (
-
nom de la voiture ). Ici, le nom de la voiture n'ajoute aucune valeur au modèle que vous créez. Si l'attribut d'origine n'a pas été donné, vous pourriez avoir dérivé l'origine de l'attribut de nom de voiture.
c ("mpg", "cylindres", "displacement", "horsepower", "weight", "acceleration", "modelYear", "origin",
"carName")Ensuite, changez le type de données de horsepower en numérique avec le code suivant: >> autos $ horsepower <- comme. numeric (autos $ horsepower)
Le programme se plaindra car toutes les valeurs en chevaux ne sont pas des représentations de nombres. Il y avait des valeurs manquantes qui étaient représentées comme "? " personnage. C'est bien pour l'instant parce que R convertit chaque instance de? dans NA.
Une façon courante de gérer les valeurs manquantes des variables continues est de remplacer chaque valeur manquante par la moyenne de la colonne entière. La ligne de code suivante fait cela: >> autos $ horsepower [is.na (autos $ horsepower)] <- mean (autos $ puissance, na rm = TRUE)
Il est important d'avoir na. rm-TRUE dans la fonction moyenne. Il dit à la fonction de ne pas utiliser de colonnes avec des valeurs nulles dans son calcul. Sans cela, la fonction reviendra.
Ensuite, changez les attributs avec des valeurs discrètes en facteurs. Trois attributs ont été identifiés comme discrets. Les trois lignes de code suivantes modifient les attributs. >> autos $ origin autos $ modelYear autos $ cylindres <- factor (autos $ cylinders)
Enfin, supprimez l'attribut du bloc de données avec cette ligne de code: >> autos $ carName <- nULL < À ce stade, vous avez terminé la préparation des données pour le processus de modélisation. Ce qui suit est une vue de la structure après le processus de préparation des données: >> données str (autos) '. frame ': 398 obs. de 8 variables: $ mpg: num 18 15 18 16 17 15 14 14 14 15 … $ Cylindres: Facteur w / 5 niveaux "3", "4", "5", "6", …:
5 5 5 5 5 5 5 5 5 5 … $ déplacement: num 307 350 318 304 302 429 454 440 455 390 … $ puissance: num 130 165 150 150 140 198 220 215 225 190 … $ poids: num 3504 3693 3436 3433 3449 … $ accélération: num 12 11. 5 11 12 10. 5 10 9 8. 5 10 8. 5 … $ modelYear: Facteur avec 13 niveaux "70", "71", "72", …:
1 1 1 1 1 1 1 1 1 1 … $ origine: Facteur avec 3 niveaux "1", "2", "3":
1 1 1 1 1 1 1 1 1 1 …
