Nieuwe analysevoorspellingen maken met R-regressie - dummies

Analyseren van voorspellingen met nieuwe gegevens, u gebruikt eenvoudig de functie met een lijst van de zeven attribuutwaarden. De volgende code doet die job: >> newPrediction <- voorspellen (model,

lijst (cilinders = factor (4), verplaatsing = 370, 

paardenkracht = 150, gewicht = 3904, versnelling = 12, modeljaar = factor (70), oorsprong = factor (1)), 
interval = "voorspellen", niveau =. 95) 
Dit is de code en uitvoer van de nieuwe voorspellingswaarde:

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

Wat u hier heeft is uw eerste echte voorspelling van het regressiemodel. Omdat het afkomstig is van ongeziene gegevens en u de uitkomst niet kent, kunt u het niet vergelijken met iets anders om erachter te komen of het juist was.

Nadat u het model met de testgegevensreeks hebt geëvalueerd en u tevreden bent met de nauwkeurigheid, kunt u erop vertrouwen dat u een goed voorspellend model hebt gebouwd. U moet wachten op bedrijfsresultaten om de effectiviteit van uw voorspellende model te meten.

Er kunnen optimalisaties zijn die u kunt maken om een ​​beter en efficiënter voorspellend model te bouwen. Door te experimenteren, vindt u misschien de beste combinatie van voorspellers om een ​​sneller en nauwkeuriger model te maken.

Een manier om een ​​subset van de functies samen te stellen, is om de correlatie tussen de variabelen te vinden en de sterk gecorreleerde variabelen te verwijderen. Als u de overbodige variabelen die niets toevoegen (of heel weinig informatie toevoegen) aan de aanpassing toevoegt, kunt u de snelheid van het model verhogen. Dit geldt vooral als u te maken heeft met veel waarnemingen (rijen met gegevens) waarbij de verwerkingskracht of -snelheid een probleem kan zijn.

Voor een grote gegevensset zullen meer kenmerken in een rij met gegevens de verwerking vertragen. Probeer dus zoveel mogelijk overtollige informatie te elimineren.