Hur man förbereder data i R-regression för prediktiv Analytics - dummies

Du måste hämta data i en form som algoritmen kan använda för att bygga en prediktiv analysmodell. För att göra det måste du ta lite tid att förstå data och veta strukturen i data. Skriv in funktionen för att ta reda på strukturen i data. Kommandot och dess produktion ser så här ut: >> str (autos) 'data. ram ': 398 obs. av 9 variabler: $ 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: Faktor m / 305 nivåer "amc ambassador brougham", …:

50 37 232 15 162 142 55 224 242 2 … 

Från att titta på strukturen kan du berätta att det finns viss data förberedelse och städning att göra. Här är en lista över nödvändiga uppgifter:

Byt namn på kolumnnamnen.

• Detta är inte absolut nödvändigt, men i det här exemplet är det bättre att använda kolumnnamn du kan förstå och komma ihåg.

  Ändra datatypen för V4 (

• hästkraft ) till en numerisk datatyp. I detta exempel är hästkraften ett kontinuerligt numeriskt värde och inte en teckendatatyp.

  Hantera saknade värden.

• Här har hästkrafter sex saknade värden.

  Ändra attribut som har diskreta värden till faktorer.

• Här har cylindrar, modellår och ursprung diskreta värden.

  Kasta bort attributet V9 (

• bilnamn ). Här bildar inte bilnamn värdet till den modell du skapar. Om ursprungsattributet inte gavs kan du ha härledt ursprunget från egenskapen för bilnamn.

  För att byta namn på kolumnerna i följande kod: >> kolnamn (autos) <-

c ("mpg", "cylindrar", "förskjutning", "hästkrafter" "vikt", "acceleration", "modelYear", "origin",

"carName") 

Därefter ändras datatypen för hästkrafter till numeriska med följande kod: >> autos $ horsepower <- som. numerisk (autos $ hästkrafter) 
Programmet klagar för att inte alla värden i hästkrafter var strängrepresentationer av tal. Det fanns några saknade värden som representerades som "? " karaktär. Det är bra för nu eftersom R konverterar varje förekomst av? in i NA.

Ett vanligt sätt att hantera de saknade värdena för kontinuerliga variabler är att ersätta varje saknat värde med medelvärdet av hela kolumnen. Följande kodregel gör det: >> autos $ horsepower [är.na (autos $ horsepower)] <- mean (autos $ horsepower, na. rm = TRUE)

Det är viktigt att ha na. rm-TRUE i medelfunktionen. Det berättar funktionen att inte använda kolumner med nullvärden i beräkningen. Utan det kommer funktionen att återvända.

Ändra sedan attributen med diskreta värden till faktorer. Tre attribut har identifierats som diskreta. Följande tre rad kod ändrar attributen. >> Auto $ $ autos $ modelYear autos $ cylinders <- factor (autos $ cylinders)

Ta bort attributet från dataramen med den här raden av kod: >> autos $ carName <- nULL < Nu är du klar med att förbereda data för modelleringsprocessen. Följande är en vy av strukturen efter databehandlingsprocessen: >> str (autos) 'data. ram ': 398 obs. av 8 variabler: $ mpg: num 18 15 18 16 17 15 14 14 14 15 … $ cylindrar: Faktor med 5 nivåer "3", "4", "5", "6", …:

5 5 5 5 5 5 5 5 5 5 … $ förskjutning: num 307 350 318 304 302 429 454 440 455 390 … $ hästkrafter: num 130 165 150 150 140 198 220 215 225 190 … $ vikt: num 3504 3693 3436 3433 3449 … $ acceleration: num 12 11. 5 11 12 10. 5 10 9 8. 5 10 8. 5 … $ modelYear: Factor w / 13 levels "70", "71", "72", …:

1 1 1 1 1 1 1 1 1 1 … $ ursprung: Faktor w / 3 nivåer "1", "2", "3":

1 1 1 1 1 1 1 1 1 1 …