Come nuove previsioni analitiche con regressione R - dummies

Per fare previsioni analitiche con nuovi dati, è sufficiente utilizzare la funzione con un elenco dei sette valori degli attributi. Il seguente codice fa quel lavoro: >> newPrediction <- predice (modello,

lista (cilindri = fattore (4), spostamento = 370, 

potenza = 150, peso = 3904, accelerazione = 12, modelloYear = fattore (70), origine = fattore (1)), 
intervallo = "previsione", livello =. 95) 
Questo è il codice e l'output del nuovo valore di predizione:

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

Quello che hai qui è la tua prima vera previsione dal modello di regressione. Poiché proviene da dati invisibili e non conosci il risultato, non puoi confrontarlo con altri per scoprire se era corretto.

Dopo aver valutato il modello con il set di dati di test, e sei soddisfatto della sua precisione, puoi avere la certezza di aver costruito un buon modello predittivo. Dovrai attendere i risultati di business per misurare l'efficacia del tuo modello predittivo.

Potrebbero esserci delle ottimizzazioni che puoi fare per costruire un modello predittivo migliore e più efficiente. Sperimentando, potresti trovare la migliore combinazione di predittori per creare un modello più veloce e più accurato.

Un modo per costruire un sottoinsieme delle caratteristiche è trovare la correlazione tra le variabili e rimuovere le variabili altamente correlate. Rimuovendo le variabili ridondanti che non aggiungono nulla (o aggiungono pochissime informazioni) alla vestibilità, è possibile aumentare la velocità del modello. Ciò è particolarmente vero quando si hanno a che fare con molte osservazioni (righe di dati) in cui la potenza di elaborazione o la velocità potrebbero essere un problema.

Per un grande set di dati, più attributi in una riga di dati rallenteranno l'elaborazione. Quindi dovresti cercare di eliminare quante più informazioni ridondanti possibile.