Cum să pregătești datele în regresia R pentru predictive Analytics - dummy

Trebuie să obțineți datele într-o formă pe care algoritmul o poate utiliza pentru a construi un model analitic predictiv. Pentru a face acest lucru, trebuie să faceți ceva timp pentru a înțelege datele și pentru a cunoaște structura datelor. Introduceți funcția pentru a afla structura datelor. Comanda și ieșirea ei arată astfel: >> str (autos) 'date. cadru ": 398 obs. din 9 variabile: $ 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: Factor w / 305 niveluri "amc ambassador brougham", …:

50 37 232 15 162 142 55 224 242 2 … 

Din perspectiva structurii, puteți spune că există unele pregătiri și curățare a datelor. Iată o listă a sarcinilor necesare:

Redenumiți numele coloanelor.

• Acest lucru nu este absolut necesar, dar pentru scopurile acestui exemplu, este mai bine să folosiți numele coloanelor pe care le puteți înțelege și reține.

  Modificați tipul de date V4 (

• cai putere ) la un tip de date numeric . În acest exemplu, cai putere este o valoare numerică continuă și nu un tip de date caracter.

  Manipulați valorile lipsă.

• Aici puterea are șase valori lipsă.

  Schimbați atributele care au valori discrete la factori.

• Aici buteliile, anul modelului și originea au valori discrete.

  Înlăturați atributul V9 (

• numele carului ). Aici numele autovehiculului nu adaugă valoare modelului pe care îl creați. În cazul în care nu a fost atribuit atributul de origine, ați putea să fi derivat originea din atributul nume de mașină.

  c ("mpg", "cilindri", "deplasare", "putere"), pentru a redenumi tipul coloanelor în următorul cod: "

" carName ")

Apoi, modificați tipul de date de putere ca număr numeric cu următorul cod: >> autos $ horsepower <- la fel de. numeric (autos $ horsepower) 

Programul se va plânge pentru că nu toate valorile în cai putere erau reprezentări de șir de numere. Au existat câteva valori lipsă care au fost reprezentate ca "? " caracter. E bine pentru moment, deoarece R convertește fiecare instanță? în NA. 
O modalitate obișnuită de a gestiona valorile lipsă ale variabilelor continue este înlocuirea fiecărei valori lipsă cu media întregii coloane. Următorul rând de cod face că: >> autos $ horsepower [este.na (autos $ horsepower)] <- medie (autos $ horsepower, na. rm = TRUE)

Este important să nu ai na. rm-TRUE în funcția medie. Ea spune funcția să nu folosească coloane cu valori nula în calcul. Fără aceasta, funcția va reveni.

În continuare, modificați atributele cu valori discrete la factori. Trei atribute au fost identificate ca fiind discrete. Următoarele trei linii de cod modifică atributele. >> autos $ origine autos $ modelYear autos $ cylinders <- factor (autos $ cylinders)

În final, eliminați atributul din cadrul de date cu această linie de cod: >> autos $ carName <- nULL < În acest moment, ați terminat pregătirea datelor pentru procesul de modelare. Următoarele sunt o vedere a structurii după procesul de pregătire a datelor: >> str (autos) ". cadru ": 398 obs. din 8 variabile: $ mpg: num 18 15 18 16 17 15 14 14 14 15 … $ butelii: Factor cu 5 nivele "3", "4", "5", "6", …:

5 5 5 5 5 5 5 5 5 5 … $ deplasare: num 307 350 318 304 302 429 454 440 455 390 … $ cai putere: num 130 165 150 150 140 198 220 215 225 190 … $ greutate: num 3504 3693 3436 3433 3449 … $ accelerare: num 12 11. 5 11 12 10. 5 10 9 8. 5 10 8. 5 … $ modelYear: Factor cu 13 nivele "70", "71", "72", …:

1 1 1 1 1 1 1 1 1 1 … $ origine: Factor cu 3 nivele "1", "2", "3":

1 1 1 1 1 1 1 1 1 1 …