Comment préparer les données en r régression pour l'analyse prédictive

Vous devez obtenir les données sous une forme que l'algorithme peut utiliser de construire un modèle analytique prédictive. Pour ce faire, vous avez à prendre un certain temps à comprendre les données et de connaître la structure des données. Tapez la fonction à savoir la structure des données. La commande et sa sortie ressemble à ceci:

> Str (autos) 'data.frame': 398 obs. de 9 variables: $ V1: num 15 18 16 18 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 3693 3436 3433 3504 3449 ... $ V6: num 11 12 11,5 12 10,5 10 10 8,5 8,5 9 ... 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 «ambassadeur coupé amc" , ..:
 37 232 15 50 162 142 55 224 242 2 ...

En regardant la structure, vous pouvez dire qu'il ya un peu de préparation de données et de nettoyage à faire. Voici une liste des tâches nécessaires:

• Renommer les noms de colonnes.

  Ce ne sont pas strictement nécessaire, mais pour les besoins de cet exemple, il est préférable d'utiliser des noms de colonnes, vous pouvez comprendre et à retenir.

• Changer le type de V4 de données (cheval-vapeur) À une numérique Type de données.

  Dans cet exemple, cheval-vapeur est une valeur numérique non continu et une personnage Type de données.

• Gérer les valeurs manquantes.

  Ici cheval-vapeur a six valeurs manquantes.

• 
  
  
  
  

  Changez les attributs qui ont des valeurs discrètes à des facteurs.

  Ici cylindres, l'année modèle, et origine ont des valeurs discrètes.

• Jeter le V9 (nom de voiture) Attribut.

  Ici nom de voiture ne pas ajouter de valeur pour le modèle que vous créez. Si le origine attribut n'a pas été donné, vous pourriez avoir dérivé à l'origine de la nom de voiture attribuer.

Pour renommer le type de colonnes dans le code suivant:

> Colnames (autos) lt; - 
c ("mpg", "cylindres", "déplacement", "puissance", "poids", "accélération", "Année de construction», «origine», 
"RARnom")

Ensuite, changer le type de données cheval-vapeur à numérique avec le code suivant:

> Autos $ chevaux lt; - as.numeric (autos $ chevaux)

Le programme va se plaindre parce que pas toutes les valeurs de puissance étaient des représentations de chaîne de nombres. Il y avait des valeurs manquantes qui ont été représentés comme “? ” personnage. Ça va pour l'instant parce R convertit chaque instance de ? en N / A.

Une façon courante de gérer les valeurs manquantes des variables continues est de remplacer chaque valeur manquante à la moyenne de l'ensemble de la colonne. La ligne de code suivante fait que:

> Autos $ puissance [is.na (autos $ ch)] lt; - moyen ($ autos chevaux, na.rm = TRUE)

Il est important d'avoir na.rm-TRUE dans le signifier fonction. Il indique à la fonction de ne pas utiliser des colonnes avec des valeurs nulles dans son calcul. Sans elle, la fonction sera de retour.

Ensuite, modifier les attributs avec des valeurs discrètes à des facteurs. Trois attributs ont été identifiés comme discrète. Les trois lignes de code suivantes modifient les attributs.

> Autos $ origine lt; - facteurs (autos) $ ORIGIN> autos $ l'année de construction cylindres facteurs (autos $ l'année de construction)> autos $ - lt; lt; - facteurs (autos cylindres $)

Enfin, supprimez l'attribut de la trame de données avec cette ligne de code:

> Autos $ RARnom lt; - 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:

> Str (autos) 'data.frame': 398 obs. de 8 variables: $ mpg: num 15 18 16 18 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 350 318 304 307 302 429 454 440 455 390 $ ... chevaux: num 165 150 150 130 140 198 220 215 225 190 ... $ poids: num 3504 3693 3436 3433 3449. . . $ Accélération: num 11 12 11,5 12 10,5 10 9 8,5 10 8,5 $ ... Année de construction: Facteur w / 13 niveaux "70", "71", "72", ..:
 1 1 1 1 1 1 1 1 1 1 ... $ Origine: Facteur w / 3 niveaux "1", "2", "3":
 1 1 1 1 1 1 1 1 1 1 ...