Come preparare i dati in Regressione R per Predictive Analytics - dummies

Devi ottenere i dati in un modulo che l'algoritmo può utilizzare per costruire un modello analitico predittivo. Per fare ciò, è necessario un po 'di tempo per comprendere i dati e conoscere la struttura dei dati. Digitare la funzione per scoprire la struttura dei dati. Il comando e il suo output hanno questo aspetto: >> str (autos) 'data. frame ': 398 obs. di 9 variabili: $ V1: num 18 15 18 16 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 3504 3693 3436 3433 3449 … $ V6: num 12 11. 5 11 12 10. 5 10 9 8 5 10 8. 5 … $ 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: Fattore w / 305 livelli "amc ambassador brougham", …:

50 37 232 15 162 142 55 224 242 2 … 

Dall'osservazione della struttura, si può dire che c'è da fare una preparazione e una pulizia dei dati. Ecco un elenco delle attività necessarie:

Rinomina i nomi delle colonne.

• Questo non è strettamente necessario, ma ai fini di questo esempio, è meglio usare i nomi delle colonne che puoi capire e ricordare.

  Modificare il tipo di dati di V4 (

• cavalli ) in un tipo di dati numerici . In questo esempio, la potenza è un valore numerico continuo e non un tipo di dati carattere.

  Gestire i valori mancanti.

• Qui la potenza ha sei valori mancanti.

  Cambia gli attributi che hanno valori discreti in fattori.

• Qui cilindri, anno modello e origine hanno valori discreti.

  Ignora l'attributo V9 (

• nome auto ). Qui il nome della vettura non aggiunge valore al modello che stai creando. Se l'attributo dell'origine non fosse stato dato, avresti potuto derivarne l'origine dall'attributo del nome del veicolo.

  Per rinominare il tipo di colonne nel seguente codice: >> colnames (auto) <-

c ("mpg", "cylinders", "spostamento", "potenza", "weight", "acceleration", "modelYear", "origin",

"carName") 

Quindi, cambiare il tipo di dati di potenza in numerico con il seguente codice: >> autos $ horsepower <- come. numerico (autos $ horsepower) 
Il programma si lamenterà perché non tutti i valori in cavalli erano rappresentazioni in serie di numeri. C'erano alcuni valori mancanti che erano rappresentati come "? " carattere. Per ora va bene perché R converte ogni istanza di? in NA.

Un modo comune per gestire i valori mancanti delle variabili continue è sostituire ogni valore mancante con la media dell'intera colonna. La seguente riga di codice lo fa: >> autos $ horsepower [is.na (autos $ horsepower)] <- mean (autos $ horsepower, na. rm = TRUE)

È importante avere na. rm-TRUE nella funzione media. Indica alla funzione di non utilizzare colonne con valori nulli nel suo calcolo. Senza di esso, la funzione ritornerà.

Quindi, modificare gli attributi con valori discreti in fattori. Tre attributi sono stati identificati come discreti. Le seguenti tre righe di codice modificano gli attributi. >> autos $ origine autos $ modelYear autos $ cylinders <- factor (autos $ cylinders)

Infine, rimuovere l'attributo dal frame di dati con questa riga di codice: >> autos $ carName <- nULL < A questo punto, hai finito di preparare i dati per il processo di modellazione. La seguente è una vista della struttura dopo il processo di preparazione dei dati: >> str (auto) "dati. frame ': 398 obs. di 8 variabili: $ mpg: num 18 15 18 16 17 15 14 14 14 15 … $ cylinders: Fattore w / 5 livelli "3", "4", "5", "6", …:

5 5 5 5 5 5 5 5 5 5 … $ dislocamento: num 307 350 318 304 302 429 454 440 455 390 … $ cavalli: num 130 165 150 150 140 198 220 215 225 190 … $ peso: num 3504 3693 3436 3433 3449 … $ accelerazione: num 12 11. 5 11 12 10. 5 10 9 8. 5 10 8. 5 … $ modelYear: Fattore w / 13 livelli "70", "71", "72", …:

1 1 1 1 1 1 1 1 1 1 … $ origine: fattore w / 3 livelli "1", "2", "3":

1 1 1 1 1 1 1 1 1 1 …