¿Cómo explicar los resultados de los análisis predictivos de regresión r

categoría Computadoras y software / Big Data / La ciencia de datos

Una vez que se crea un modelo de regresión R para el análisis predictivo, que desea ser capaz de explicar los resultados del análisis. Para ver algo de información útil sobre el modelo, el tipo en el siguiente código:

> Resumen (modelo)

La salida proporciona información que se puede explorar si desea modificar su modelo de más. Por ahora, vamos a dejar el modelo tal como es. Aquí están las dos últimas líneas de la salida:

Múltiple R-cuadrado: 0.8741, ajustado R-cuadrado: 0.8633F-estadística: 80.82 los días 22 y 256 DF, p-valor: lt; 2.2e-16

Un par de puntos de datos se destacan aquí:

  • los Multiple cuadrado R- valor que indica qué tan bien la línea de regresión se ajusta a los datos (bondad de ajuste). Un valor de 1 significa que es un ajuste perfecto. Así que un R-cuadrado valor de 0.874 es buena, se dice que el 87,4 por ciento de la variabilidad en mpg se explica por el modelo.

  • los p-valor te dice lo importante que las variables predictoras afectan a la variable de respuesta. LA p-valor de menos (por lo general) 0.05 significa que puede rechazar la hipótesis nula de que las variables predictoras colectivamente tienen ningún efecto sobre la variable respuesta (mpg). los p-valor de 2.2e-16 (es decir, 2,2 con 16 ceros en frente de ella) es mucho menor que 0,05, por lo que los predictores tener un efecto sobre la respuesta.

Con el modelo creado, puedes hacer predicciones en contra de ella con los datos de prueba ha particionado desde el conjunto de datos completo. Para utilizar este modelo para predecir el para cada fila del conjunto de la prueba, se emite el siguiente comando:

> Predicciones lt; - predecir (modelo, testset,
 intervalo = "predecir", level = 0,95)

Este es el código y la salida de los primeros seis predicciones:

> Cabeza (predicciones) ajuste LWR upr2 16.48993 10.530223 22.449644 12.204615 24.126255 18.39992 18.16543 12.402524 24.397326 18.162577 6.023341 12.09295 11.37966 5.186428 17.572898 5.527497 17.79985 11.66368

La salida es una matriz que muestra los valores predichos de la ajuste columna y el intervalo de predicción en el LWR y UPR columnas - con un nivel de confianza del 95 por ciento. Cuanto mayor es el nivel de confianza, mayor será el rango, y viceversa.

El valor predicho está en el medio de la GAMA por lo que cambiar el nivel de confianza no cambia el valor predicho. La primera columna es el número de fila del conjunto de datos completo.

Para ver el lado valores reales y predichos por lado para que pueda comparar fácilmente, puede escribir en las siguientes líneas de código:

> Comparación lt; - cbind (testset $ mpg, predicciones [1])> COLNAMES (comparación) lt; - c ("real", "predice")

La primera línea crea una matriz de dos columnas con los valores reales y predichos. La segunda línea cambia los nombres de columna a real y predijo. Escriba la primera línea de código para obtener la salida de los primeros seis líneas de comparación, como sigue:

> Cabeza (comparación) predicted2 real 15 16.489934 18.165435 16 17 18.399926 12.092957 14 15 14 11.379668 11.66368

También queremos ver un resumen de las dos columnas para comparar sus medios. Este es el código y la salida del resumen:

> Resumen (comparación) actualpredictedMin. : 10.00 Min. : 8.8491st Qu:. 16,00 primero Qu:. 17.070Median: 21,50 Mediana: 22.912Mean: 22.79 Media: 23.0483rd Qu:. 28,00 tercero Qu:. 29.519Max. : 44.30 Max. : 37.643

A continuación, utiliza el error absoluto medio por ciento (MAPE), Para medir la precisión de nuestro modelo de regresión. La fórmula para el error absoluto medio por ciento es

(# 931- (| Y-Y '| / | Y |) / N) * 100

donde Y es la puntuación real, Y 'es el resultado previsto, y N es el número de puntuaciones pronosticadas. Después de conectar los valores en la fórmula, se obtiene un error de sólo 10.94 por ciento. Aquí está el código y la salida de la consola de R:

> MAPE lt; - (suma (abs (comparación [1] -Comparación [2]) / abs (comparación [, 1])) / nRow (comparación)) * 100> MAPE [1] 10.93689

El siguiente código permite ver los resultados y errores en una vista de tabla:

> MapeTable lt; - cbind (comparación, abs (comparación [1] - comparación [2]) / comparación [, 1] * 100)> COLNAMES (mapeTable) [3] lt; - "error absoluto ciento"> cabeza (mapeTable) real predicho ciento error2 absoluta 15 16.48993 18.16543 13.5339525 9.9328894 16 17 18.39992 12.09295 8.2348406 15 19.3803097 18.7167088 14 11.37966 11.66368 14 16.688031

Aquí está el código que le permite ver el porcentaje de error de nuevo:

> Sum (mapeTable [3]) / nRow (comparación)
 [1] 10.93689


Artículos Relacionados

Sobre el autor
Cómo nuevas predicciones analíticas con regresión r Cómo nuevas predicciones analíticas con regresión r

Para hacer predicciones analíticas con nuevos datos, sólo tiene que utilizar la función con una lista de los siete valores de los atributos. El siguiente código hace ese trabajo:> NewPrediction lt; - predecir (modelo,
lista (cilindros =…

Cómo preparar los datos de la r de regresión para el análisis predictivo Cómo preparar los datos de la r de regresión para el análisis predictivo

Usted tiene que obtener los datos en una forma que el algoritmo puede utilizar para construir un modelo de análisis predictivo. Para ello, usted tiene que tomar un poco de tiempo para entender los datos y conocer la estructura de los datos. Llene…

Cómo ejecutar los datos de prueba y evaluar un modelo de aprendizaje supervisado svm Cómo ejecutar los datos de prueba y evaluar un modelo de aprendizaje supervisado svm

Aprendizaje supervisado es una tarea de aprendizaje automático que aprende de los datos de análisis predictivo que ha sido etiquetados. Una manera de pensar sobre el aprendizaje supervisado es que el etiquetado de los datos se realiza bajo la…

Cómo ejecutar datos de entrenamiento en un modelo de aprendizaje supervisado svm Cómo ejecutar datos de entrenamiento en un modelo de aprendizaje supervisado svm

Antes de que pueda alimentar el clasificador Apoyo Vector Machine (SVM) con los datos que se cargan durante el análisis predictivo, debe dividir el conjunto de datos completo en un conjunto de entrenamiento y de prueba.Afortunadamente, scikit-learn…

Cómo anotar sus predicciones analíticas precisión Cómo anotar sus predicciones analíticas precisión

Al analizar la calidad de un modelo predictivo, usted querrá medir su precisión. El un pronóstico más preciso el modelo hace, más útil que es para la empresa, que es una indicación de su calidad. Todo esto es bueno - a excepción de cuando el…

Cómo utilizar regresiones lineales en el análisis predictivo Cómo utilizar regresiones lineales en el análisis predictivo

Regresión lineal es un método estadístico que analiza y descubre relaciones entre dos variables. En el análisis predictivo puede ser utilizado para predecir un valor numérico futuro de una variable.Considere un ejemplo de datos que contiene dos…

Cómo hacer una simple comparación de la programación c Cómo hacer una simple comparación de la programación c

Usted hace comparaciones todo el tiempo, por lo que no debe evitar comparaciones en programación C. ¿Qué vas a llevar en la mañana? En caso de que evite la oficina de Bill porque la recepcionista dice que es " irritable " ¿Este Dia? Y cuánto…

Cómo evaluar los datos lineales con r Cómo evaluar los datos lineales con r

Naturalmente, R ofrece toda una serie de diferentes pruebas y medidas para evaluar qué tan bien el modelo se ajuste a sus datos, así como ver los supuestos del modelo. Una vez más, el panorama que se presenta aquí está lejos de ser completa,…

Cómo predecir nuevos valores de datos con r Cómo predecir nuevos valores de datos con r

Aparte de la descripción de las relaciones, los modelos también pueden usarse para predecir los valores para los nuevos datos. Por eso, muchos sistemas modelo en I utilizan la misma función, convenientemente llamado predecir (). Cada modelado de…

Especificar el modelo de regresión de la econometría Especificar el modelo de regresión de la econometría

En la econometría, el modelo de regresión es un punto de partida común de un análisis. A medida que define el modelo de regresión, es necesario tener en cuenta varios elementos:La teoría económica, la intuición y el sentido común deben todo…

Cómo determinar qué análisis de datos para su uso en las estadísticas ii Cómo determinar qué análisis de datos para su uso en las estadísticas ii

Estadísticas II es a menudo sobre el análisis de datos, y el truco es saber cuándo utilizar el método de análisis. La siguiente tabla le ayuda a comparar, el contraste y decidir qué análisis de datos para usar y cuándo. Úsalo para una…

En cuanto a los valores críticos del intervalo de confianza En cuanto a los valores críticos del intervalo de confianza

Los valores críticos (z*-valores) son un componente importante de los intervalos de confianza (la técnica estadística para estimar parámetros poblacionales). los z* -valor, que aparece en el margen de la fórmula de error, mide el número de…

» » » » ¿Cómo explicar los resultados de los análisis predictivos de regresión r