predict

    0熱度

    2回答

    我試圖評估不同OLS模型的樣本外預測性能。最簡單的時間序列迴歸看起來是這樣的: Y_t = B0 + B1 * Y_t-30 + E_T 配件期爲模型,比方說50,然後我讓模型運行使用dynlm包 dynlm(as.zoo(Y) ~ L(as.zoo(Y), 30), start = "1996-01-01", end = timelist[i]) 在我當前的代碼中,我只是讓索引運行到結束,然

    2熱度

    1回答

    我有一個發票系統列出項目名稱(並有成千上萬的這個系統)顯示組合框與短語預測使事情更快的用戶。 出於某種原因,以字母"I"開始將晉級第一"I"產品,但隨後光標處的字符或空間"I"後立即插入並停止任何產品 - 允許用戶繼續鍵入,但插入任何進一步字符轉換爲第一個項目的名稱。 當然這對用戶來說很令人生氣。他們可以輸入"I",然後滾動瀏覽項目,但這會減慢他們的進度,因此必須記住完整列表中的單個字母。 我在這

    0熱度

    1回答

    我試圖使用分段迴歸進行預測,它給了我一個錯誤:「eval(expr,envir,enclos):object'U1.Sepal.Width'not found」中的錯誤。我究竟做錯了什麼? 下面是示例代碼: library("segmented") data("iris") breaks <- list(Sepal.Width = quantile(iris$Sepal.Wid

    1熱度

    1回答

    我想要使用選項type="terms"單獨評估GAM模型中預測變量的每個組成部分。作爲完整性檢查,我使用選項type="response"將結果與總預測評估進行了比較。結果不同。這裏是一個例子: library(mgcv) n<-200 sig <- 2 dat <- gamSim(1,n=n,scale=sig) b<-gam(y~x0+s(I(x1^2))+s(x2)+offset(x

    -1熱度

    1回答

    我有一個數據集,對於添加的每個數據表數據都有巨大的潛力。目前,我只用5米爲例。這裏是我的數據結構是什麼樣子: str(Data1) 'data.frame': 43800 obs. of 7 variables: $ METER: Factor w/ 5 levels "10443720001539305",..: 1 1 1 1 1 1 1 1 1 1 $ LOAD : num 87.7

    0熱度

    1回答

    我想用predict函數來預測100分的新點數。我有一個data.frame與一個100倍長的向量。 我想要的預測功能:predict(model, newdata=mydat) 函數只返回長度爲4的向量。 這可能是由於這個模型只用了四個點,但我不確定。 編輯: mydat mydat <- data.frame(V1 = seq(0, max(myExperimentSummary$V1), l

    -1熱度

    1回答

    我有一個lm模型在R,我已經訓練和序列化。內的功能,其中,I通過作爲輸入的模型和特徵向量(一個單個陣列),我有: CREATE OR REPLACE FUNCTION lm_predict( feat_vec float[], model bytea ) RETURNS float AS $$ #R-code goes here. mdl <- uns

    -1熱度

    1回答

    我有一個數據庫,其中包含發生日期和地點的一些事件。我想知道如何以及如果我可以對此數據運行一些機器學習算法來嘗試預測下一個事件何時發生。 我搜索類似的東西,只發現預測數字或答案的例子,而不是日期。 如何歸檔?亞馬遜機器學習有可能做到這一點嗎?

    4熱度

    1回答

    我有從glm中擬合的係數,我想預測一組新數據的期望值。如果我有模型對象,使用predict()會很簡單。但是,我現在不在現場,出於數據保密原因,我不再擁有模型對象。我只有摘要對象,使用包含模型係數的摘要(模型)生成。 使用係數來預測簡單模型的期望值是很容易的。但是,我想知道如何在模型包含三次樣條ns()時執行此操作。當模型也包含分類變量時,任何捷徑都會被讚賞。 這是一個簡單的例子。 library

    -1熱度

    1回答

    我用R程序創建了一個線性模型。我已經預測了一個使用該模型的新變量。運行該模型,它將打印預測輸出600次! (我們在數據集中擁有的變量的數量)。 以下是代碼: load(sports) summary (sports) ls(sports) fit = lm(sport_score ~ sport_votes + sport_rating , data = sports) summary(f