Hvordan man analyserer nye forudsigelser med R Regression - dummies

For at foretage analytiske forudsigelser med nye data, bruger du blot funktionen med en liste over de syv attributværdier. Følgende kode gør det job: >> newPrediction <- predict (model,

liste (cylindre = faktor (4), forskydning = 370, 

hestekræfter = 150, vægt = 3904, acceleration = 12, modelYear = faktor (70), oprindelse = faktor (1)), 
interval = "forudsigelse", niveau =.95) 
Dette er koden og outputen af ​​den nye forudsigelsesværdi:

>> newPrediction fit lwr upr 1 14. 90128 8. 12795 21. 67462

Hvad du har her er din første rigtige forudsigelse fra regressionsmodellen. Fordi det er fra usynlige data, og du ikke kender resultatet, kan du ikke sammenligne det med noget andet for at finde ud af, om det var korrekt.

Når du har evalueret modellen med testdatasættet, og du er tilfreds med dens nøjagtighed, kan du være sikker på at du har opbygget en god forudsigelsesmodel. Du skal vente på forretningsresultater for at måle effektiviteten af ​​din prædiktive model.

Der kan være optimeringer, du kan gøre for at opbygge en bedre og mere effektiv prædiktiv model. Ved at eksperimentere kan du finde den bedste kombination af forudsigere for at skabe en hurtigere og mere præcis model.

En måde at konstruere en delmængde af funktionerne på er at finde korrelationen mellem variablerne og fjerne de højkorrelerede variabler. Fjernelse af de overflødige variabler, der ikke tilføjer noget (eller tilføjer meget lidt information) til passformen, kan du øge hastigheden på modellen. Dette gælder især, når du beskæftiger dig med mange observationer (rækker af data), hvor processorkraft eller -hastighed kan være et problem.

For et stort datasæt vil flere attributter i en række data sænke behandlingen. Så du bør forsøge at fjerne så meget overflødig information som muligt.