<\/p>\n
Anda dapat menggunakan fungsi createDataPartition()<\/strong> dari paket caret<\/strong> di R untuk mempartisi bingkai data ke dalam set pelatihan dan pengujian untuk pembuatan model.<\/span><\/p>\n Fungsi ini menggunakan sintaks dasar berikut:<\/span><\/p>\n createDataPartition(y, kali = 1, p = 0,5, daftar = BENAR, \u2026)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki kerangka data dalam R dengan 1.000 baris yang berisi informasi tentang jam<\/strong> belajar siswa dan skor<\/strong> mereka pada ujian akhir:<\/span><\/p>\n Misalkan kita ingin menyesuaikan model regresi linier sederhana<\/a> yang menggunakan jam belajar untuk memprediksi nilai ujian akhir.<\/span><\/span><\/p>\n Katakanlah kita ingin melatih model pada 80% baris dalam bingkai data dan mengujinya pada 20% baris sisanya.<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi createDataPartition()<\/strong> dari paket caret<\/strong> untuk membagi frame data menjadi set pelatihan dan pengujian:<\/span><\/p>\n Kita dapat melihat bahwa dataset pelatihan kita berisi 800 baris, yang merupakan 80% dari dataset asli.<\/span><\/p>\n Demikian pula, kita dapat melihat bahwa kumpulan data pengujian kami berisi 200 baris, yang merupakan 20% dari kumpulan data asli.<\/span><\/p>\n Kita juga dapat memvisualisasikan baris pertama setiap set:<\/span><\/p>\n Kita kemudian dapat melanjutkan untuk melatih model regresi menggunakan set pelatihan dan mengevaluasi kinerjanya menggunakan set pengujian.<\/span><\/p>\n Tutorial berikut menjelaskan cara menggunakan fungsi umum lainnya di R:<\/span><\/p>\n Cara melakukan validasi silang K-Fold di R<\/a> Anda dapat menggunakan fungsi createDataPartition() dari paket caret di R untuk mempartisi bingkai data ke dalam set pelatihan dan pengujian untuk pembuatan model. Fungsi ini menggunakan sintaks dasar berikut: createDataPartition(y, kali = 1, p = 0,5, daftar = BENAR, \u2026) Emas: y : vektor hasil times : jumlah partisi yang akan dibuat p : persentase […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Contoh: Menggunakan createDataPartition() di R<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set. seeds<\/span> (0)\n\n#create data frame\n<\/span>df <- data. frame<\/span> (hours=runif(1000, min=0, max=10),\n score=runif(1000, min=40, max=100))\n\n#view head of data frame\n<\/span>head(df)\n\n hours score\n1 8.966972 55.93220\n2 2.655087 71.84853\n3 3.721239 81.09165\n4 5.728534 62.99700\n5 9.082078 97.29928\n6 2.016819 47.10139<\/strong><\/span><\/pre>\n library<\/span> (caret)\n\n#partition data frame into training and testing sets\n<\/span>train_indices <- createDataPartition(df$score, times= 1<\/span> , p= .8<\/span> , list= FALSE<\/span> )\n\n#create training set\n<\/span>df_train <- df[train_indices, ]\n\n#create testing set\n<\/span>df_test <- df[-train_indices, ]\n\n#view number of rows in each set\n<\/span>nrow(df_train)\n\n[1] 800\n\nnrow(df_test)\n\n[1] 200\n<\/strong><\/span><\/pre>\n #view head of training set<\/span>\nhead(df_train)\n\n hours score\n1 8.966972 55.93220\n2 2.655087 71.84853\n3 3.721239 81.09165\n4 5.728534 62.99700\n5 9.082078 97.29928\n7 8.983897 42.34600\n\n#view head of testing set\n<\/span>head(df_test)\n\n hours score\n6 2.016819 47.10139\n12 2.059746 96.67170\n18 7.176185 92.61150\n23 2.121425 89.17611\n24 6.516738 50.47970\n25 1.255551 90.58483\n<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana melakukan regresi logistik di R<\/p>\n","protected":false},"excerpt":{"rendered":"