Hur man analyserar nya prognoser med R-regression

För att göra analytiska förutsägelser med ny data, du använder helt enkelt funktionen med en lista över de sju attributvärdena. Följande kod gör det här jobbet: >> newPrediction <- predict (modell,

lista (cylindrar = faktor (4), förskjutning = 370, 

hästkraft = 150, vikt = 3904, acceleration = 12, modelYear = faktor (70), ursprung = faktor (1)), 
interval = "predict, level =.95) 
Detta är koden och utgången för det nya förutsägningsvärdet:

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

Vad du har här är din första riktiga förutsägelse från regressionsmodellen. Eftersom det är från osynliga data och du inte vet resultatet, kan du inte jämföra det mot något annat för att ta reda på om det var korrekt.

När du har utvärderat modellen med testdatasetet och du är nöjd med dess noggrannhet kan du vara säker på att du byggt en bra förutsägbar modell. Du måste vänta på affärsresultat för att mäta effektiviteten i din prediktiva modell.

Det kan finnas optimeringar du kan göra för att bygga en bättre och effektivare prediktiv modell. Genom att experimentera kan du hitta den bästa kombinationen av prediktorer för att skapa en snabbare och mer exakt modell.

Ett sätt att konstruera en delmängd av funktionerna är att hitta korrelationen mellan variablerna och ta bort de högkorrelerade variablerna. Om du tar bort de överflödiga variablerna som inte lägger till något (eller lägger till mycket lite information) i passformen kan du öka modellens hastighet. Detta gäller särskilt när du arbetar med många observationer (rader med data) där processorkraft eller hastighet kan vara ett problem.

För en stor dataset kommer mer attribut i en rad data att sakta ner bearbetningen. Så du borde försöka eliminera så mycket överflödig information som möjligt.