Basi della modellazione per la previsione

Modellazione con i dati nel Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Esempio di modellazione per la previsione

Un insieme di dati sui prezzi delle case nella King County, nello Stato di Washington, vicino a Seattle (disponibile su Kaggle.com).

Domanda: possiamo prevedere il prezzo di vendita delle case dalle loro caratteristiche?

Variabili:

$y$: price di vendita in dollari USA
$\vec{x}$: Caratteristiche come sqft_living, condition, bedrooms, yr_built, waterfront

Esempio di modellazione per la previsione

Dal pacchetto moderndive per ModernDive:

library(dplyr)
library(moderndive)
glimpse(house_prices)

Observations: 21,613
Variables: 21
$ id            <chr> "7129300520", "6414100192"...
$ date          <dttm> 2014-10-13, 2014-12-09, 2015...
$ price         <dbl> 221900, 538000, 180000, 604000...
...

Analisi esplorativa dei dati

library(ggplot2)
ggplot(house_prices, aes(x = price)) +
  geom_histogram() + 
  labs(x = "house price", y = "count")

Istogramma della variabile di esito

Dati Gapminder

Riscalatura log10 dell'asse x

Trasformazione log10

# log10() transform price and size
house_prices <- house_prices %>%
  mutate(log10_price = log10(price)) %>% 
  select(price, log10_price)

# A tibble: 21,613 x 2
     price log10_price
     <dbl>       <dbl>
 1  221900        5.35
 2  538000        5.73
 3  180000        5.26
 4  604000        5.78
 5  510000        5.71
 6 1225000        6.09

Istogramma della nuova variabile di esito

# Histogram of original outcome variable
ggplot(house_prices, aes(x = price)) +
  geom_histogram() + 
  labs(x = "house price", y = "count")

# Histogram of new, log10-transformed outcome variable
ggplot(house_prices, aes(x = log10_price)) +
  geom_histogram() + 
  labs(x = "log10 house price", y = "count")

Confronto prima e dopo la trasformazione log10

Let's practice!

Modellazione con i dati nel Tidyverse