Como nuevas predicciones analíticas con r regresión
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:
gt; newPrediction lt; - predecir (modelo,
lista (cilindros = factor de (4), el desplazamiento = 370,
caballos de fuerza = 150, peso = 3904, aceleración = 12, modelo del año = factor de (70), el origen = factor de (1)),
= intervalo"predecir", Nivel = 0,95)
El código y la salida del nuevo valor de predicción:
Video: Regresión Lineal Simple con Rstudio
gt; newPredictionfit lwr UPR1 14.90128 8.12795 21.67462
Lo que tenemos aquí es su primera predicción real desde el modelo de regresión. Porque es a partir de datos que no se ven y no se sabe el resultado, no se puede compararlo con cualquier otra cosa para averiguar si era correcta.
Video: Regresión Lineal | Metodos minimos cuadrados
Después de haber evaluado el modelo con el conjunto de datos de prueba, y que está feliz con su precisión, se puede tener confianza en que usted construyó un buen modelo predictivo. Vas a tener que esperar a los resultados del negocio para medir la eficacia de su modelo predictivo.
Puede haber optimizaciones que usted puede hacer para construir un modelo predictivo mejor y más eficiente. Mediante la experimentación, es posible encontrar la mejor combinación de predictores para crear un modelo más rápido y más preciso.
Video: Regresion Lineal
Una forma de construir un subconjunto de las características es encontrar la correlación entre las variables y quitar las variables altamente correlacionadas. La eliminación de las variables redundantes que no aportan nada (o muy poco aportan información) para el ajuste, se puede aumentar la velocidad del modelo. Esto es especialmente cierto cuando se trata con muchas observaciones (filas de datos), donde la potencia de procesamiento o la velocidad puede ser un problema.
Para un gran conjunto de datos, más atributos en una fila de datos se ralentizará el proceso. Por lo que debe tratar de eliminar la mayor cantidad de información redundante como sea posible.