<\/p>\n
\u00c8 possibile utilizzare la funzione createDataPartition()<\/strong> del pacchetto caret<\/strong> in R per partizionare un frame di dati in set di training e test per la creazione di modelli.<\/span><\/p>\n Questa funzione utilizza la seguente sintassi di base:<\/span><\/p>\n createDataPartition(y, volte = 1, p = 0,5, lista = TRUE, \u2026)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Supponiamo di avere un data frame in R con 1.000 righe contenenti informazioni sulle ore<\/strong> studiate dagli studenti e il punteggio<\/strong> corrispondente in un esame finale:<\/span><\/p>\n Supponiamo di voler adattare un semplice modello di regressione lineare<\/a> che utilizzi le ore studiate per prevedere il voto dell’esame finale.<\/span><\/span><\/p>\n Diciamo che vogliamo addestrare il modello sull’80% delle righe nel data frame e testarlo sul restante 20% delle righe.<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione createDataPartition()<\/strong> del pacchetto caret<\/strong> per dividere il frame di dati in set di training e test:<\/span><\/p>\n Possiamo vedere che il nostro set di dati di addestramento contiene 800 righe, ovvero l’80% del set di dati originale.<\/span><\/p>\n Allo stesso modo, possiamo vedere che il nostro set di dati di test contiene 200 righe, ovvero il 20% del set di dati originale.<\/span><\/p>\n Possiamo anche visualizzare le prime righe di ogni set:<\/span><\/p>\n Possiamo quindi procedere all’addestramento del modello di regressione utilizzando il set di addestramento e valutarne le prestazioni utilizzando il set di test.<\/span><\/p>\n I seguenti tutorial spiegano come utilizzare altre funzioni comuni in R:<\/span><\/p>\n Come eseguire la convalida incrociata K-Fold in R<\/a> \u00c8 possibile utilizzare la funzione createDataPartition() del pacchetto caret in R per partizionare un frame di dati in set di training e test per la creazione di modelli. Questa funzione utilizza la seguente sintassi di base: createDataPartition(y, volte = 1, p = 0,5, lista = TRUE, \u2026) Oro: y : vettore dei risultati volte : […]<\/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
Esempio: utilizzo di createDataPartition() in 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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione logistica in R<\/p>\n","protected":false},"excerpt":{"rendered":"