{"id":1225,"date":"2023-07-27T05:41:59","date_gmt":"2023-07-27T05:41:59","guid":{"rendered":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/"},"modified":"2023-07-27T05:41:59","modified_gmt":"2023-07-27T05:41:59","slug":"esercitazione-casuale-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/","title":{"rendered":"Come creare foreste casuali in r (passo dopo passo)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Quando la relazione tra un insieme di variabili predittive e una <a href=\"https:\/\/statorials.org\/it\/variabili-risposte-esplicative\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabile di risposta<\/a> \u00e8 molto complessa, spesso utilizziamo metodi non lineari per modellare la relazione tra loro.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Uno di questi metodi \u00e8 costruire un <a href=\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione\/\" target=\"_blank\" rel=\"noopener noreferrer\">albero decisionale<\/a> . Tuttavia, lo svantaggio di utilizzare un unico albero decisionale \u00e8 che tende a soffrire di <a href=\"https:\/\/statorials.org\/it\/compromesso-della-varianza-del-bias\/\" target=\"_blank\" rel=\"noopener noreferrer\">un\u2019elevata varianza<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Cio\u00e8, se dividiamo il set di dati in due met\u00e0 e applichiamo l\u2019albero decisionale a entrambe le met\u00e0, i risultati potrebbero essere molto diversi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Un metodo che possiamo utilizzare per ridurre la varianza di un singolo albero decisionale \u00e8 costruire un <a href=\"https:\/\/statorials.org\/it\/esercitazioni-casuali\/\" target=\"_blank\" rel=\"noopener noreferrer\">modello di foresta casuale<\/a> , che funziona come segue:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Prendi <em>b<\/em> campioni bootstrap dal set di dati originale.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2.<\/strong> Creare un albero decisionale per ciascun campione di bootstrap.<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Quando si costruisce l&#8217;albero, ogni volta che viene considerata una suddivisione, solo un campione casuale di <em>m<\/em> predittori viene considerato candidato alla suddivisione dall&#8217;intero set di <em>p<\/em> predittori. Generalmente scegliamo <em>m<\/em> uguale a <span style=\"text-decoration: overline;\"><em>\u221ap<\/em><\/span> .<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>3.<\/strong> Media delle previsioni di ciascun albero per ottenere un modello finale.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Si scopre che le foreste casuali tendono a produrre modelli molto pi\u00f9 accurati rispetto ai singoli alberi decisionali e persino <a href=\"https:\/\/statorials.org\/it\/insaccamento-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">ai modelli impacchettati<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Questo tutorial fornisce un esempio dettagliato di come creare un modello di foresta casuale per un set di dati in R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Passaggio 1: caricare i pacchetti necessari<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Per prima cosa caricheremo i pacchetti necessari per questo esempio. Per questo semplice esempio, abbiamo bisogno di un solo pacchetto:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\">library<\/span> (randomForest)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Passaggio 2: modificare il modello della foresta casuale<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Per questo esempio, utilizzeremo un set di dati R integrato chiamato <strong>Air Quality<\/strong> che contiene misurazioni della qualit\u00e0 dell&#8217;aria nella citt\u00e0 di New York nell&#8217;arco di 153 giorni individuali.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view structure of air quality dataset<\/span>\nstr(airquality)\n\n'data.frame': 153 obs. of 6 variables:\n $ Ozone: int 41 36 12 18 NA 28 23 19 8 NA ...\n $Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...\n $ Wind: num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...\n $ Temp: int 67 72 74 62 56 66 65 59 61 69 ...\n $Month: int 5 5 5 5 5 5 5 5 5 5 ...\n $Day: int 1 2 3 4 5 6 7 8 9 10 ...\n\n<span style=\"color: #008080;\">#find number of rows with missing values\n<\/span>sum(! <span style=\"color: #3366ff;\">complete<\/span> . <span style=\"color: #3366ff;\">cases<\/span> (airquality))\n\n[1] 42\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Questo set di dati ha 42 righe con valori mancanti. Pertanto, prima di adattare un modello di foresta casuale, inseriremo i valori mancanti in ciascuna colonna con le mediane delle colonne:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#replace NAs with column medians\n<\/span><span style=\"color: #008000;\">for<\/span> (i <span style=\"color: #008000;\">in<\/span> 1: <span style=\"color: #3366ff;\">ncol<\/span> (air quality)) {\n  airquality[,i][ <span style=\"color: #3366ff;\">is<\/span> . <span style=\"color: #3366ff;\">na<\/span> (airquality[, i])] &lt;- <span style=\"color: #3366ff;\">median<\/span> (airquality[, i], <span style=\"color: #3366ff;\">na<\/span> . <span style=\"color: #3366ff;\">rm<\/span> = <span style=\"color: #008000;\">TRUE<\/span> )\n}\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\"><strong>Correlato:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/it\/imputare-i-valori-mancanti-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Come imputare i valori mancanti in R<\/a><\/p>\n<p> <span style=\"color: #000000;\">Il codice seguente mostra come adattare un modello di foresta casuale in R utilizzando la funzione <strong>randomForest()<\/strong> del pacchetto <a href=\"https:\/\/cran.r-project.org\/web\/packages\/randomForest\/randomForest.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">randomForest<\/a> .<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<\/span>set.seed(1)\n\n<span style=\"color: #008080;\">#fit the random forest model\n<\/span>model &lt;- randomForest(\n  formula = Ozone ~ .,\n  data = airquality\n)\n\n<span style=\"color: #008080;\">#display fitted model\n<\/span>model\n\nCall:\n randomForest(formula = Ozone ~ ., data = airquality) \n               Type of random forest: regression\n                     Number of trees: 500\nNo. of variables tried at each split: 1\n\n          Mean of squared residuals: 327.0914\n                    % Var explained: 61\n\n<span style=\"color: #008080;\">#find number of trees that produce lowest test MSE\n<\/span>which.min(model$mse)\n\n[1] 82\n\n<span style=\"color: #008080;\">#find RMSE of best model\n<\/span>sqrt(model$mse[ <span style=\"color: #3366ff;\">which<\/span> . <span style=\"color: #3366ff;\">min<\/span> (model$mse)]) \n\n[1] 17.64392\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dal risultato, possiamo vedere che il modello che ha prodotto l&#8217;errore quadratico medio (MSE) pi\u00f9 basso del test utilizzava <strong>82<\/strong> alberi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Possiamo anche vedere che l&#8217;errore quadratico medio di questo modello era <strong>17.64392<\/strong> .<\/span> <span style=\"color: #000000;\">Possiamo considerarlo come la differenza media tra il valore previsto per l\u2019ozono e il valore effettivamente osservato.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Possiamo anche utilizzare il seguente codice per produrre un grafico del test MSE in base al numero di alberi utilizzati:<\/span><\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#plot the MSE test by number of trees\n<\/span>plot(model)\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12143 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png\" alt=\"Testare MSE per numero di alberi in una foresta casuale in R\" width=\"449\" height=\"439\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">E possiamo utilizzare la funzione <strong>varImpPlot()<\/strong> per creare un grafico che mostri l&#8217;importanza di ciascuna variabile predittrice nel modello finale:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#produce variable importance plot<\/span>\nvarImpPlot(model) \n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12144 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr2.png\" alt=\"Foresta casuale in R\" width=\"424\" height=\"442\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">L&#8217;asse x mostra l&#8217;aumento medio della purezza dei nodi degli alberi di regressione in funzione della suddivisione tra i diversi predittori visualizzati sull&#8217;asse y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dal grafico, possiamo vedere che <em>il Vento<\/em> \u00e8 la variabile predittiva pi\u00f9 importante, seguita da vicino da <em>Temp<\/em> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Passaggio 3: adattare il modello<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Per impostazione predefinita, la funzione <strong>randomForest()<\/strong> utilizza 500 alberi e (predittori totali\/3) predittori selezionati casualmente come potenziali candidati per ciascuna suddivisione. Possiamo regolare questi parametri usando la funzione <strong>tuneRF()<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Il codice seguente mostra come trovare il modello ottimale utilizzando le seguenti specifiche:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>ntreeTry:<\/strong> il numero di alberi da costruire.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>mtryStart:<\/strong> il numero iniziale di variabili predittive da prendere in considerazione ad ogni divisione.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>stepFactor:<\/strong> fattore da aumentare fino a quando l&#8217;errore stimato di esaurimento del sacchetto non smette di migliorare di un certo importo.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>miglioramento:<\/strong> la quantit\u00e0 di cui l&#8217;errore di uscita del sacco deve essere migliorato per continuare ad aumentare il fattore di passo.<\/span><\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>model_tuned &lt;- tuneRF(\n               x=airquality[,-1], <span style=\"color: #008080;\">#define predictor variables<\/span>\n               y=airquality$Ozone, <span style=\"color: #008080;\">#define response variable<\/span>\n               ntreeTry= <span style=\"color: #008000;\">500<\/span> ,\n               mtryStart= <span style=\"color: #008000;\">4<\/span> , \n               stepFactor= <span style=\"color: #008000;\">1.5<\/span> ,\n               improve= <span style=\"color: #008000;\">0.01<\/span> ,\n               trace= <span style=\"color: #008000;\">FALSE<\/span> <span style=\"color: #008080;\">#don't show real-time progress<\/span>\n               )\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Questa funzione produce il grafico seguente, che mostra il numero di predittori utilizzati in ciascuna divisione durante la costruzione degli alberi sull&#8217;asse x e l&#8217;errore out-of-bag stimato sull&#8217;asse y:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12145 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr3.png\" alt=\"Errore OOB del modello di foresta casuale in R\" width=\"433\" height=\"378\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Possiamo vedere che l&#8217;errore OOB pi\u00f9 basso si ottiene utilizzando <strong>2<\/strong> predittori scelti casualmente ad ogni divisione durante la costruzione degli alberi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ci\u00f2 corrisponde in realt\u00e0 all&#8217;impostazione predefinita (predittori totali\/3 = 6\/3 = 2) utilizzata dalla funzione <strong>randomForest()<\/strong> iniziale.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Passaggio 4: utilizzare il modello finale per fare previsioni<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Infine, possiamo utilizzare il modello di foresta casuale adattato per fare previsioni su nuove osservazioni.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define new observation\n<\/span>new &lt;- data.frame(Solar.R=150, Wind=8, Temp=70, Month=5, Day=5)\n\n<span style=\"color: #008080;\">#use fitted bagged model to predict Ozone value of new observation\n<\/span>predict(model, newdata=new)\n\n27.19442\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Sulla base dei valori delle variabili predittive, il modello forestale casuale adattato prevede che il valore dell\u2019ozono sar\u00e0 <b>27,19442<\/b> in questo particolare giorno.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Il codice R completo utilizzato in questo esempio pu\u00f2 essere trovato <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/random_forest.R\" target=\"_blank\" rel=\"noopener noreferrer\">qui<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Quando la relazione tra un insieme di variabili predittive e una variabile di risposta \u00e8 molto complessa, spesso utilizziamo metodi non lineari per modellare la relazione tra loro. Uno di questi metodi \u00e8 costruire un albero decisionale . Tuttavia, lo svantaggio di utilizzare un unico albero decisionale \u00e8 che tende a soffrire di un\u2019elevata varianza [&hellip;]<\/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":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Come creare foreste casuali in R (passo dopo passo)<\/title>\n<meta name=\"description\" content=\"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Come creare foreste casuali in R (passo dopo passo)\" \/>\n<meta property=\"og:description\" content=\"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T05:41:59+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/\",\"url\":\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/\",\"name\":\"Come creare foreste casuali in R (passo dopo passo)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/it\/#website\"},\"datePublished\":\"2023-07-27T05:41:59+00:00\",\"dateModified\":\"2023-07-27T05:41:59+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae\"},\"description\":\"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Casa\",\"item\":\"https:\/\/statorials.org\/it\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Come creare foreste casuali in r (passo dopo passo)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/it\/#website\",\"url\":\"https:\/\/statorials.org\/it\/\",\"name\":\"Statorials\",\"description\":\"La tua guida all&#039;alfabetizzazione statistica!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/it\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Ciao, sono Benjamin, un professore di statistica in pensione diventato insegnante dedicato di Statorials. Con una vasta esperienza e competenza nel campo della statistica, sono ansioso di condividere le mie conoscenze per potenziare gli studenti attraverso Statorials. Scopri di pi\u00f9\",\"sameAs\":[\"https:\/\/statorials.org\/it\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Come creare foreste casuali in R (passo dopo passo)","description":"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/","og_locale":"it_IT","og_type":"article","og_title":"Come creare foreste casuali in R (passo dopo passo)","og_description":"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.","og_url":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T05:41:59+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Benjamin anderson","Est. reading time":"5 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/","url":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/","name":"Come creare foreste casuali in R (passo dopo passo)","isPartOf":{"@id":"https:\/\/statorials.org\/it\/#website"},"datePublished":"2023-07-27T05:41:59+00:00","dateModified":"2023-07-27T05:41:59+00:00","author":{"@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae"},"description":"Questo tutorial spiega come creare modelli di foreste casuali in R, con un esempio passo passo.","breadcrumb":{"@id":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/it\/esercitazione-casuale-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Casa","item":"https:\/\/statorials.org\/it\/"},{"@type":"ListItem","position":2,"name":"Come creare foreste casuali in r (passo dopo passo)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/it\/#website","url":"https:\/\/statorials.org\/it\/","name":"Statorials","description":"La tua guida all&#039;alfabetizzazione statistica!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/it\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Ciao, sono Benjamin, un professore di statistica in pensione diventato insegnante dedicato di Statorials. Con una vasta esperienza e competenza nel campo della statistica, sono ansioso di condividere le mie conoscenze per potenziare gli studenti attraverso Statorials. Scopri di pi\u00f9","sameAs":["https:\/\/statorials.org\/it"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts\/1225"}],"collection":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/comments?post=1225"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts\/1225\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/media?parent=1225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/categories?post=1225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/tags?post=1225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}