Πώς να Νέες Αναλυτικές Προβλέψεις με R Regression - dummies

Για να κάνετε αναλυτικές προβλέψεις με νέα δεδομένα, απλά χρησιμοποιείτε τη λειτουργία με μια λίστα με τις επτά τιμές χαρακτηριστικών. Ο ακόλουθος κώδικας κάνει αυτή την εργασία: >> newPrediction <- πρόβλεψη (μοντέλο,

κατάλογος (κυλίνδρων = συντελεστής (4), μετατόπιση = 370, 

ιπποδύναμη = 150, βάρος = 3904, επιτάχυνση = = 95, 
interval = "predict", επίπεδο = 95) 
Αυτός είναι ο κώδικας και η έξοδος της νέας τιμής πρόβλεψης:

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

Αυτό που έχετε εδώ είναι η πρώτη πραγματική πρόβλεψή σας από το μοντέλο παλινδρόμησης. Επειδή είναι από αόρατα δεδομένα και δεν γνωρίζετε το αποτέλεσμα, δεν μπορείτε να το συγκρίνετε με τίποτα άλλο για να διαπιστώσετε εάν ήταν σωστό.

Αφού αξιολογήσατε το μοντέλο με το σύνολο δεδομένων δοκιμών και είστε ευχαριστημένοι με την ακρίβειά του, μπορείτε να έχετε εμπιστοσύνη ότι έχετε δημιουργήσει ένα καλό προγνωστικό μοντέλο. Θα πρέπει να περιμένετε τα αποτελέσματα των επιχειρήσεων για να μετρήσετε την αποτελεσματικότητα του προγνωστικού σας μοντέλου.

Ενδέχεται να υπάρχουν βελτιώσεις που μπορείτε να κάνετε για να δημιουργήσετε ένα καλύτερο και πιο αποτελεσματικό μοντέλο πρόγνωσης. Με τον πειραματισμό, μπορείτε να βρείτε τον καλύτερο συνδυασμό προγνωστικών για να δημιουργήσετε ένα πιο γρήγορο και πιο ακριβές μοντέλο.

Ένας τρόπος να κατασκευαστεί ένα υποσύνολο των χαρακτηριστικών είναι να βρεθεί ο συσχετισμός μεταξύ των μεταβλητών και να αφαιρεθούν οι εξαιρετικά συσχετισμένες μεταβλητές. Αφαιρώντας τις περιττές μεταβλητές που δεν προσθέτουν τίποτα (ή προσθέτοντας πολύ λίγες πληροφορίες) στην εφαρμογή, μπορείτε να αυξήσετε την ταχύτητα του μοντέλου. Αυτό ισχύει ιδιαίτερα όταν ασχολείσαι με πολλές παρατηρήσεις (σειρές δεδομένων) όπου η ισχύς επεξεργασίας ή η ταχύτητα μπορεί να είναι ένα ζήτημα.

Για ένα μεγάλο σύνολο δεδομένων, περισσότερα χαρακτηριστικά σε μια σειρά δεδομένων θα επιβραδύνουν την επεξεργασία. Επομένως, θα πρέπει να προσπαθήσετε να εξαλείψετε όσο το δυνατόν περισσότερες περιττές πληροφορίες.