predict

    0熱度

    1回答

    每當我嘗試根據線性模型預測數據時,都會收到以下錯誤。 警告信息:「newdata」有101行,但發現變量有296行 以下是代碼片段 trainingFrame = data.frame(weeksTrainingConv,bugsTraining) validateFrame = data.frame(weekTestConv,bugsTest) model <- lm(totWeekCo

    0熱度

    1回答

    我嘗試在R中做一些預測。我加載&清理數據,適合模型,並做了一個預測,看起來不錯。我現在的問題是,我的預測給了我一定的因子發生概率的百分比,而不是因子本身: 我有一個關於人們如何進行一些鍛鍊的數據集。 A-D(這是我的數據集中的一個因子變量)中包含了這種性能。當我做預測,我得到這樣的輸出: ,但我想有它這樣的: [B A E A A C d A A A C] 我會怎麼做呢?這是我的代碼: modFi

    0熱度

    1回答

    我在ggplot2中顯示我的lmer模型的結果時遇到了一些困難。我特別感興趣的是在觀察數據之上顯示預測的迴歸線。我對這個(語音)數據運行的模型11聚物這裏是下面: lmer.declination <- lmer(zlogF0_m60~Center.syll*Tone + (1|Trial) + (1+Tone|Speaker) + (1|Utterance.num), data=data)

    0熱度

    1回答

    我用CHAID構建了一個模型。現在我想用它來預測一個變量 - 像我將與樹()或軟件rpart()做到這一點: MA_CHAID <- chaid(Data$target ~ Data$factor1 + Data$factor2, control = chaid_control(minprob = 0.001, minsp

    0熱度

    1回答

    我想使用NNET功能一起預測funtion返回一些值,但我NNET $ fitted.values等同於我的預測值和IM不知道爲什麼,是2個數據集是不同的 trainTest<- function(Train, Test) { nnetfit<- nnet(as.numeric(Train[,7])~ Train[,10]+Train[,15],data=Train,linout=TRUE,H

    -3熱度

    1回答

    我想使用預測函數來預測邏輯迴歸的值,我得到的行數不正確。此問題已被詢問 R Warning: newdata' had 15 rows but variables found have 22 rows 我試過了這個方法,但我仍然得到錯誤。下面是代碼 # Split as training and test sets train_idx <- trainTestSplit(adult,trainP

    4熱度

    1回答

    我的第一個問題這裏:) 我的目標是:考慮到與預測的數據幀(每列一個預測器/行的觀察結果)使用LM擬合迴歸,然後預測使用滾動窗口使用上次觀察的值。 數據幀看起來像: > DfPredictor[1:40,] Y X1 X2 X3 X4 X5 1 3.2860 192.5115 2.1275 83381 11.4360 8.7440 2

    0熱度

    1回答

    我有一個R數據框,它有兩列colA和colB以及一個合適的glm對象。 現在,我可以使用預測數據框和glm對象來預測結果。然而,我也想預測colB + 0.1,colB + 0.2,colB + 0.3等的結果。 我正在考慮用map(purrr包)來做這件事,但我不知道如何。什麼到目前爲止,我已經試過是創造一個向量: library(tibble) range <- data_frame(col

    1熱度

    1回答

    我使用DNNClassifier估算器,我想預測評級。 但是,我不知道使用預測。 我期待下面的結果。 預測評級:XX PLZ,幫幫我,給我一個指南(使用預測) 下面,我的代碼。 """ Define """ JOIN_CSV_COLUMNS = ['USER_ID', 'CONTENT_ID', 'CONTENT_NAME_USER', 'RATING', 'CNTY_CD', 'FIRST

    0熱度

    1回答

    我有一個數據幀,我想從SVM做出預測,但數據幀沒有原始訓練數據幀所做的所有水平。有沒有簡單的方法呢? 這裏有一個簡單的例子 library(e1071) df = data.frame(y = c(rep(1:3, each = 3)), x = rep(c("A", "B", "C"), each = 3)) m1 = svm(y ~ x, df) df2 = data.frame(x