Comment prédire de nouvelles valeurs de données avec des r
En dehors de décrire les relations, les modèles peuvent également être utilisés pour prédire des valeurs pour de nouvelles données. Pour cela, de nombreux systèmes de modèles en R utilisent la même fonction, idéalement appelé prévoir ()
. Chaque paradigme de modélisation en R a une fonction prédire avec sa propre saveur, mais en général, la fonctionnalité de base est la même pour chacun d'eux.Comment faire pour obtenir les valeurs de données
Par exemple, un constructeur automobile a trois modèles pour une nouvelle voiture et veut savoir ce que le kilométrage prévu est fondé sur le poids de chaque nouvelle conception. Pour ce faire, vous créez d'abord une trame de données avec les nouvelles valeurs - par exemple, comme ceci:
> New.cars lt; - data.frame (poids = c (1.7, 2.4, 3.6))
Assurez-vous toujours les noms de variables que vous utilisez sont les mêmes que ceux utilisés dans le modèle. Quand vous faites cela, vous appelez simplement le prévoir () fonctionner avec les arguments adaptés, comme ceci:
> Prévoir (Modèle, newdata = new.cars) 12,328,19952 24,45839 18,04503
Donc, la voiture la plus légère a un kilométrage prévu de 28,2 miles par gallon et la voiture la plus lourde a prédit un kilométrage de 18 miles par gallon, selon ce modèle. Bien sûr, si vous utilisez un modèle inadéquat, vos prédictions peuvent être à peu près hors ainsi.
La confiance dans vos prédictions
Afin d'avoir une idée de la précision des prévisions, vous pouvez demander à des intervalles autour de votre prédiction. Pour obtenir une matrice avec la prédiction et un intervalle de confiance de 95 pour cent autour de la prédiction moyenne, vous définissez l'argument intervalle à «confiance» comme ça:
> Prévoir (Modèle, newdata = new.cars, intervalle = «confiance») lwr ajustement UPR1 28,19952 26,14755 30,251502 24,45839 23,01617 25,900623 18,04503 16,86172 19,22834
Maintenant, vous savez que - selon votre modèle - une voiture avec un poids de 2,4 tonnes a, en moyenne, un kilométrage entre 23 et 25,9 miles par gallon. De la même façon, vous pouvez demander un intervalle de prédiction de 95 pour cent par réglage de l'intervalle de argument «prédiction»:
> Prévoir (Modèle, newdata = new.cars, intervalle = «prédiction») lwr ajustement UPR1 28,19952 21,64930 34,749752 24,45839 18,07287 30,843923 18,04503 11,71296 24,37710
Cette information vous indique que 95 pour cent des voitures avec un poids de 2,4 tonnes ont un kilométrage quelque part entre 18,1 et 30,8 miles par gallon - en supposant que votre modèle est correct, bien sûr.
Si vous préférez construire votre propre intervalle de confiance, vous pouvez obtenir les erreurs standard sur vos prédictions ainsi en réglant l'argument se.fit à VRAI. Vous ne recevez pas un vecteur ou une matrice-place, vous obtenez une liste avec un élément s'adapter qui contient les prédictions et un élément se.fit qui contient les erreurs-types.
-
Comment créer un classement de r analyse prédictive modèle - Comment Ensemble méthodes visant à accroître la précision analytique prévision
- Comment évaluer un modèle d'apprentissage sans surveillance avec des k-means
- Comment expliquer les résultats analytiques prédictifs de régression r
- Comment de nouvelles prédictions analytiques avec r régression
- Comment préparer les données dans un classement de r analyse prédictive modèle
Comment faire pour exécuter les données d'essai et d'évaluer un modèle d'apprentissage supervisé svm L'apprentissage supervisé est une tâche d'apprentissage qui apprend à la machine à partir de données d'analyse de prédiction qui ont été marqués. Une façon de penser à propos de l'apprentissage supervisé est que l'étiquetage des…
Comment analyser les écarts de données dans les modèles avec r Une analyse de variance (Anova) est une technique très courante utilisée avec R de comparer les moyens entre les différents groupes de données. Pour illustrer cela, jetez un oeil à l'ensemble de données Spray insecticide:> Str (InsectSprays)…
Comment décrire le centre de données continues en r Vous avez le jeu de données et que vous avez formaté pour l'adapter à vos besoins en matière de R, alors maintenant vous êtes prêt pour le vrai travail. Analyser vos données commence toujours par le décrivant. De cette façon, vous pouvez…
Comment évaluer les données linéaires avec r Naturellement, R fournit un ensemble de différents tests et mesures pour évaluer la façon dont votre modèle correspond à vos données, ainsi que regarder les hypothèses du modèle. Encore une fois, la liste présentée ici est loin d'être…
Comment évaluer les différences dans vos données avec R Pour vérifier le modèle de données que vous avez créé avec ANOVA (analyse de variance), vous pouvez utiliser les R résumé() la fonction de l'objet de modèle comme ceci:> Résumé de valeur (AOVModel) Df Somme Sq Sq Mean F Pr (> F) spray5 2…
Comment modéliser linéaires relations de données avec r Une analyse de variance pour vos données peut également être écrit comme une modèle linéaire dans R, où vous utilisez un facteur comme une variable prédictive pour modéliser une variable de réponse.Bien sûr, les variables prédictives…
Comment utiliser des facteurs ou des données numériques dans r Avant d'essayer de décrire vos données dans R, vous devez vous assurer que vos données sont dans le bon format. Ça signifieAssurant que tous vos données est contenue dans une trame de données (ou dans un vecteur si elle est une seule…
Checking out confiance valeurs critiques intervalle statistiques Les valeurs critiques (z*-valeurs) sont une composante importante des intervalles de confiance (technique statistique pour estimer les paramètres de la population). La z*-valeur, qui apparaît dans la marge d'erreur de formule, mesure le nombre…
Tirer des conclusions sur une population en utilisant des intervalles de confiance et tests d'hypothèses Lorsque tirer des conclusions sur une population à partir d'échantillons choisis au hasard (un processus appelé inférence statistique), Vous pouvez utiliser deux méthodes: intervalles de confiance et tests d'hypothèses.Les intervalles de…
En regardant confiance valeurs critiques d'intervalle Les valeurs critiques (z* -values) sont une composante importante des intervalles de confiance (la technique statistique pour estimer les paramètres de la population). La z* -value, qui apparaît dans la marge d'erreur de formule, mesure le nombre…
Arpentage intervalles de confiance statistiques Dans les statistiques, un Intervalle de confiance est une supposition éclairée sur certaines caractéristiques de la population. Un intervalle de confiance contient un atout estimation initiale ou moins un marge d'erreur (le montant dont vous vous…
L'intervalle de confiance autour d'une moyenne Tout comme le SE (erreur standard) formules dépendent du type de l'échantillon statistique que vous faites affaire avec (si vous êtes mesurer ou de compter quelque chose ou l'obtenir à partir d'un programme de régression ou d'une autre calcul),…
Comment estimer avec un intervalle de confiance Rarement vous serez en mesure de sonder chaque client. Au lieu de cela, vous devez prendre un échantillon de clients et utiliser cet exemple pour faire des inférences au sujet de tous les clients. Vous devez accepter que l'estimation de…
Les 9 lois de l'exploration de données: un guide de référence Mineur de données pionnières Thomas Khabaza développé ses «Neuf lois de Data Mining" pour guider les nouveaux explorateurs de données comme ils se mettent au travail. Ce guide de référence vous montre ce que chacune de ces lois signifie…