Como novas previsões analíticas com regressão R - dummies

Para fazer previsões analíticas com novos dados, você simplesmente usa a função com uma lista dos sete valores de atributos. O seguinte código faz esse trabalho: >> newPrediction <- prever (modelo,

lista (cilindros = fator (4), deslocamento = 370, 

cavalo-força = 150, peso = 3904, aceleração = 12, modelo de ano = fator (70), origem = fator (1)), 
intervalo = "prever", nível =. 95) 
Este é o código e a saída do novo valor de predição:

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

O que você tem aqui é a sua primeira previsão real do modelo de regressão. Porque é de dados não vistos e você não conhece o resultado, você não pode compará-lo contra qualquer outra coisa para descobrir se ele estava correto.

Depois de avaliar o modelo com o conjunto de dados de teste e você está feliz com sua precisão, você pode ter confiança de que você construiu um bom modelo preditivo. Você terá que aguardar os resultados do negócio para medir a eficácia do seu modelo preditivo.

Pode haver otimizações que você pode fazer para construir um modelo de previsão melhor e mais eficiente. Ao experimentar, você pode encontrar a melhor combinação de preditores para criar um modelo mais rápido e preciso.

Uma maneira de construir um subconjunto dos recursos é encontrar a correlação entre as variáveis ​​e remover as variáveis ​​altamente correlacionadas. Removendo as variáveis ​​redundantes que não adicionam nada (ou adicionam poucas informações) ao ajuste, você pode aumentar a velocidade do modelo. Isto é especialmente verdadeiro quando você está lidando com muitas observações (linhas de dados), onde o poder de processamento ou a velocidade podem ser um problema.

Para um grande conjunto de dados, mais atributos em uma linha de dados diminuirão o processamento. Então, você deve tentar eliminar a maior quantidade possível de informações redundantes.