Tutorial di programmazione - pagina 8
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
R Grafico a barre del programma
R Grafico a barre del programma
Ciao a tutti e bentornati a un'altra video lezione sul linguaggio di programmazione R. Nel tutorial di oggi impareremo come creare un semplice grafico a barre usando R.
Per cominciare, definiamo un vettore chiamato "cars" con sei valori. Possiamo farlo creando una variabile chiamata "cars" e assegnandole i valori 2, 4, 7, 5, 10 e 12. Questo vettore rappresenta i punti dati che vogliamo visualizzare nel nostro grafico a barre.
Passiamo ora alla creazione del grafico a barre vero e proprio. Utilizzeremo la funzione "barplot()", specificatamente progettata per creare grafici a barre in R. Come parametro di input, passiamo alla funzione il vettore "cars".
Quando eseguiamo il codice, verrà generato un grafico a barre sul lato destro dello schermo, che mostra i sei valori del nostro vettore "automobili" come singole barre.
Spero che tu abbia trovato utile e informativo questo breve video tutorial sulla creazione di un semplice grafico a barre nel linguaggio di programmazione R. In caso di domande, non esitare a lasciarle nella sezione dei commenti. Resta sintonizzato per il prossimo video, in cui approfondiremo argomenti più interessanti.
Programma di regressione lineare R Fare previsioni
Programma di regressione lineare R Fare previsioni
Ciao a tutti e benvenuti in questo video tutorial sul linguaggio di programmazione R.
In questo tutorial, approfondiremo l'analisi dei dati e ci concentreremo sull'elaborazione di previsioni utilizzando il modello di regressione lineare. La regressione lineare è un potente strumento per modellare la relazione tra una variabile dipendente scalare (Y) e una o più variabili indipendenti (X) sotto forma di un'equazione lineare.
Per iniziare, selezioniamo un set di dati adatto per la nostra previsione. R fornisce numerosi set di dati integrati, a cui è possibile accedere digitando data() ed esplorando le opzioni disponibili. Per questo tutorial, utilizzeremo il set di dati "donne", che contiene i valori medi di altezza e peso per le donne americane. Possiamo esaminare il dataset digitando View(women) e osservarne la struttura con 15 righe e 2 colonne: altezza e peso.
Il nostro obiettivo è prevedere il peso di una donna in base alla sua altezza. Per fare ciò, utilizzeremo il modello lineare. Iniziamo creando una variabile chiamata "linear_model" e assegnandole il risultato della funzione lm(). Questa funzione richiede la specifica della variabile dipendente (Y) e della variabile indipendente (X). In questo caso, peso sarà la variabile dipendente (Y) e altezza sarà la variabile indipendente (X), come indicato dalla sintassi peso ~ altezza. Inoltre, dobbiamo specificare il set di dati utilizzando il parametro data, che impostiamo come "donne".
Definito il nostro modello lineare, possiamo esaminarne i coefficienti. Questi coefficienti corrispondono alla pendenza (M) e all'intercetta (B) nell'equazione Y = MX + B. Nel nostro caso, i coefficienti sono rispettivamente -87,52 e 3,45. Pertanto, il nostro peso previsto (Y) può essere calcolato moltiplicando l'altezza (X) per la pendenza (3,45) e aggiungendo l'intercetta (-87,52).
Per testare la nostra previsione, usiamo un valore di altezza di 59 pollici. Moltiplicandolo per la pendenza (3,45) e aggiungendo l'intercetta (-87,52), otteniamo un peso previsto di 116,03, che è vicino al valore atteso di 117.
Ora, visualizziamo i dati e la retta di regressione lineare. Possiamo tracciare il set di dati utilizzando la funzione plot(), specificando i valori Y e X e il set di dati come parametro dei dati. Chiamando la funzione abline() con il nostro modello lineare, possiamo sovrapporre la linea di regressione al grafico.
In conclusione, abbiamo esplorato il processo di creazione di previsioni utilizzando il modello di regressione lineare in R. È importante notare che il set di dati utilizzato in questo tutorial è relativamente piccolo, costituito da sole 15 righe. Negli scenari del mondo reale, in genere vengono utilizzati set di dati più grandi per previsioni più accurate. Tuttavia, la dimostrazione fornisce una comprensione del processo di regressione lineare.
Grazie per aver guardato questo video tutorial. Se hai domande, sentiti libero di lasciarle nella sezione dei commenti. Restate sintonizzati per il prossimo video!
Come installare i pacchetti R
Come installare i pacchetti R
Ciao a tutti e benvenuti in questo video. Oggi voglio discutere il processo di installazione dei pacchetti in R.
In particolare, dimostrerò come installare il pacchetto ggplot2, ampiamente utilizzato per la visualizzazione dei dati. Per iniziare, ho notato che il pacchetto ggplot2 non è attualmente disponibile nella mia libreria. Quando tento di importarlo utilizzando library(ggplot2), viene visualizzato un messaggio di errore che indica che non esiste un pacchetto chiamato ggplot2.
Per risolvere questo problema, devo installare il pacchetto ggplot2. Fortunatamente, l'installazione dei pacchetti in R è semplice. Possiamo usare la funzione install.packages() seguita dal nome del pacchetto racchiuso tra virgolette. In questo caso, eseguirò il comando install.packages("ggplot2") e premerò Invio.
Inizia il processo di installazione e R avvia il download dei file e dei dati necessari per il pacchetto ggplot2 dal Comprehensive R Archive Network (CRAN). È importante disporre di una connessione Internet durante questo passaggio.
Il pacchetto ggplot2 è rinomato per la sua capacità di creare grafica visivamente accattivante e personalizzabile. Sfrutta la grammatica della grafica per costruire grafici a strati, fornendo una grande flessibilità nella visualizzazione dei dati.
Una volta completata l'installazione, possiamo procedere al caricamento del pacchetto ggplot2 nel nostro ambiente. Per fare ciò, usiamo la funzione library() e passiamo "ggplot2" come argomento. All'esecuzione di library(ggplot2), non incontriamo più il messaggio di errore precedente, che indica che il pacchetto è stato installato e caricato correttamente.
Grazie per aver guardato questo tutorial video sull'installazione dei pacchetti in R. Se hai domande, sentiti libero di lasciarle nella sezione dei commenti. Non dimenticare di mettere mi piace a questo video, iscriviti al canale per altri contenuti e resta sintonizzato per la prossima lezione video.
R Colore del grafico a barre del programma
R Colore del grafico a barre del programma
Ciao a tutti e benvenuti in questo video tutorial sul linguaggio di programmazione R. In questa sessione, utilizzeremo RStudio per creare un grafico a barre visivamente accattivante utilizzando il linguaggio di programmazione R.
Per iniziare, apriamo RStudio e impostiamo il nostro ambiente. Abbiamo già in mente un obiettivo specifico, ovvero creare un grafico a barre. Ma questa volta, ci concentreremo sul renderlo esteticamente più gradevole.
Ora, definiamo un vettore chiamato "automobili" con sette valori. Possiamo ottenere questo creando una variabile chiamata "cars" e assegnandole un vettore che contiene sette elementi. Usiamo i valori 3, 5, 8, 6, 11, 12 e 4.
Successivamente, utilizzeremo la funzione "barplot()", proprio come abbiamo fatto prima, per creare il grafico a barre. Tuttavia, questa volta, aggiungeremo alcuni parametri aggiuntivi per migliorare l'aspetto del grafico.
Innanzitutto, aggiungiamo un titolo al grafico. Useremo il parametro "main" e lo imposteremo su "Cars" per dare al nostro grafico a barre un titolo descrittivo.
Inoltre, vogliamo etichettare l'asse y, indicando che i valori rappresentano il peso delle auto. Possiamo farlo specificando il parametro "ylab" e impostandolo su "Weight".
Inoltre, dovremmo etichettare l'asse x per indicare che ogni barra rappresenta un diverso tipo di auto. Useremo il parametro "xlab" e lo imposteremo su "Type".
Infine, per aggiungere un tocco visivo, usiamo colori diversi per le barre. Imposteremo il parametro "col" su "rainbow(7)" per creare un arcobaleno di sette colori distinti.
Una volta eseguito il codice, il grafico a barre apparirà sul lato destro dello schermo. Si intitolerà "Cars" e visualizzerà i valori di peso sull'asse y e i diversi tipi di auto sull'asse x. Le barre stesse saranno colorate utilizzando una vibrante tavolozza arcobaleno.
Spero che tu abbia trovato questo video tutorial utile e divertente. In caso di domande, non esitare a chiedere. Ricordati di lasciare i tuoi commenti qui sotto e farò del mio meglio per affrontarli. Resta sintonizzato per tutorial più entusiasmanti nel prossimo video.
Esempio di istogramma di programmazione R
Esempio di istogramma di programmazione R
Ciao a tutti e benvenuti a questo tutorial sul linguaggio di programmazione R. In questo video, esploreremo come creare un semplice istogramma usando R. Immergiamoci subito!
Per cominciare, definiremo un vettore chiamato "suv's" con sette elementi. Possiamo ottenere ciò creando una variabile chiamata "suv's" e assegnandole un vettore che contiene i valori 5, 5, 5, 5, 8, 8, 19, 45 e 100.
Ora che abbiamo impostato il vettore del nostro suv, possiamo procedere alla creazione di un istogramma. Questo può essere fatto usando la funzione "hist()". Passeremo il vettore "suv" come parametro alla funzione.
Dopo aver eseguito il codice, verrà visualizzato un istogramma sul lato destro dello schermo. L'asse y rappresenta la frequenza, mentre l'asse x rappresenta l'intervallo di valori. In questo caso, possiamo osservare che l'intervallo da 0 a 20 ha una frequenza di 5, indicando che ci sono cinque occorrenze di valori all'interno di quell'intervallo. Allo stesso modo, gli intervalli da 40 a 60 e da 80 a 100 hanno frequenze rispettivamente di 3 e 1.
Spero che tu abbia trovato questo video tutorial informativo e diretto. La creazione di un istogramma utilizzando R è un modo utile per visualizzare la distribuzione dei dati. Se hai domande o commenti, non esitare a lasciarli qui sotto. Resta sintonizzato per tutorial più entusiasmanti nel prossimo video.
Sottoinsieme di programmazione R
Sottoinsieme di programmazione R
Ciao ragazzi e benvenuti a questo video sul linguaggio di programmazione R. In questo tutorial, esploreremo il sottoinsieme, che prevede l'estrazione di un sottoinsieme specifico di dati. Iniziamo!
Supponiamo di avere un vettore chiamato "X" contenente i valori 12, 13, 56, 4, 5 e 89. Stamperemo questo vettore sulla console per verificarne il contenuto.
Ora, supponiamo di voler estrarre un sottoinsieme di dati in cui i valori sono maggiori di 10. Possiamo ottenere ciò utilizzando l'espressione "X > 10". Questo ci darà un sottoinsieme dei dati in cui tutti i valori sono maggiori di 10.
Supponiamo quindi di voler modificare questi valori selezionati in 4. Possiamo semplicemente assegnare il valore 4 al sottoinsieme ottenuto in precedenza utilizzando l'espressione "X[X > 10] <- 4". Questo sostituirà tutti i valori maggiori di 10 in "X" con 4.
Stampando la "X" modificata, possiamo osservare che i valori maggiori di 10 sono stati effettivamente cambiati in 4.
Ora lavoriamo con alcuni dati esterni. Abbiamo un file CSV situato sul desktop e vogliamo leggerlo in un frame di dati chiamato "set di dati". Utilizzando la funzione "read.csv()", specifichiamo il percorso e il nome del file per importare i dati CSV. Stampando il "set di dati", possiamo vedere le dimensioni (153 righe e 6 colonne) e identificare i valori mancanti etichettati come "NA".
Andando avanti, esploriamo varie manipolazioni con questi dati. Possiamo estrarre le prime due righe del dataset usando la funzione "head()", specificando "dataset" e il numero di righe che vogliamo (2). In alternativa, possiamo utilizzare l'indicizzazione per righe e colonne con "dataset[1:2, ]" o "dataset[c(1, 2), ]". Tutti questi metodi forniscono lo stesso risultato del recupero delle prime due righe.
Per determinare il numero di righe nel set di dati, possiamo utilizzare la funzione "nrow()" e passare il "set di dati" come argomento. Questo ci dà il conteggio delle righe, che è 153.
Supponiamo di voler estrarre le ultime due righe del set di dati. Possiamo farlo usando la funzione "tail()" con "dataset" e specificando il numero di righe (2). Vengono restituite le ultime due righe.
Ora, troviamo il valore della colonna "ozono" nella 47a riga. Possiamo accedervi direttamente utilizzando l'indicizzazione, come "dataset[47, 'ozone']" o "dataset[47, 1]". Questo recupera il valore 21.
In alternativa, possiamo usare il nome della colonna invece dell'indice della colonna. Ad esempio, anche "dataset[47, 'ozone']" restituirà 21.
Supponiamo di voler trovare i valori mancanti nella colonna "ozono". Possiamo creare un sottoinsieme del set di dati utilizzando la funzione "subset()". Il sottoinsieme sarà costituito da righe in cui la colonna "ozono" ha valori "NA". Stampando il sottoinsieme, possiamo vedere che la colonna "ozono" contiene solo valori "NA".
Per determinare il conteggio dei valori mancanti nella colonna "ozono", possiamo usare la funzione "nrow()" sul sottoinsieme, che ci dà come risposta 37.
Nel caso in cui vogliamo rimuovere i valori mancanti dal dataset, possiamo usare la funzione "na.omit()" e passare il "dataset" come argomento. Ciò restituisce un set di dati con i valori mancanti rimossi.
Un altro modo per raggiungere questo obiettivo è utilizzare la funzione "complete.cases()" con "dataset" come argomento. Fornisce lo stesso risultato della rimozione di righe con valori "NA".
Passiamo ora a trovare il valore massimo della colonna "ozono" nel mese di maggio. Possiamo creare un sottoinsieme del set di dati utilizzando la funzione "subset()". All'interno della funzione di sottoinsieme, specifichiamo le condizioni: il mese dovrebbe essere uguale a 5 (che rappresenta maggio) e la colonna "ozono" non dovrebbe contenere valori mancanti. Stampando il sottoinsieme, possiamo vedere i dati filtrati.
Per ottenere il valore massimo da questo sottoinsieme senza ispezionarlo visivamente, possiamo usare la funzione "apply()". Applicando la funzione "max()" alle colonne del sottoinsieme, recuperiamo il valore massimo. In questo caso, lo applichiamo alla colonna "ozono". Il valore massimo di ozono a maggio risulta essere 115.
In conclusione, abbiamo coperto varie tecniche di sottoinsieme in R, tra cui l'estrazione di sottoinsiemi basati su condizioni, l'accesso a elementi specifici mediante l'indicizzazione, la gestione di valori mancanti e l'esecuzione di calcoli su sottoinsiemi. Spero che tu abbia trovato utile questo tutorial. Se hai domande o commenti, sentiti libero di lasciarli qui sotto. Non dimenticare di iscriverti per altri tutorial sulla programmazione R. Grazie per aver guardato e ci vediamo nel prossimo video!
R Programma Sottoinsieme2
R Programma Sottoinsieme2
Ciao ragazzi, benvenuti a questo video sul linguaggio di programmazione R. In questo tutorial, troveremo la media della lunghezza del sepalo per la specie "virginica" nel set di dati "iris". Iniziamo esplorando i set di dati predefiniti in R. Per visualizzare i set di dati disponibili, utilizziamo la funzione 'data()' senza argomenti. Questo mostra un elenco di set di dati forniti in R. Per la nostra analisi, lavoreremo con il set di dati "iris".
Carichiamo il dataset 'iris' digitando 'data(iris)'. Questo carica l'intero set di dati, che consiste di 150 righe e cinque colonne: lunghezza del sepalo, larghezza del sepalo, lunghezza del petalo, larghezza del petalo e specie. Per estrarre un sottoinsieme contenente solo la specie 'virginica', creiamo una nuova variabile chiamata 'iris_subset'. Utilizzando l'operazione subset, specifichiamo che vogliamo tutte le righe in cui la specie è uguale a 'virginica'. Poiché vogliamo anche tutte le colonne, omettiamo la specifica della colonna.
Stampando il 'iris_subset', possiamo osservare che ora abbiamo un sottoinsieme del dataset 'iris' contenente solo la specie 'virginica'. Successivamente, siamo interessati a calcolare la media della lunghezza del sepalo per questo sottoinsieme. Per concentrarci sulla colonna della lunghezza del sepalo, modifichiamo 'iris_subset' per includere solo la colonna della lunghezza del sepalo.
Ora, convertiamo 'iris_subset' in una matrice. Assegniamo la matrice convertita a una nuova variabile chiamata 'iris_subset_matrix' usando la funzione 'as.matrix()'. Convertendolo in una matrice, possiamo applicare operazioni matematiche su colonne specifiche. Il 'iris_subset_matrix' sembra simile al sottoinsieme originale ma ora è un oggetto matrice.
Per calcolare la media della lunghezza del sepalo, utilizziamo la funzione 'mean()' sulla colonna della lunghezza del sepalo di 'iris_subset_matrix'. Questo ci dà un valore medio di 6,588 per la lunghezza del sepalo della specie 'virginica'.
Vale la pena ricordare che esistono modi alternativi per eseguire il subsetting utilizzando la funzione 'subset()'. Tuttavia, in questo tutorial, abbiamo dimostrato un approccio alternativo per manipolare i dati in R estraendo sottoinsiemi, convertendoli in matrici ed eseguendo calcoli. Queste tecniche forniscono flessibilità nell'analisi dei dati.
Grazie per aver guardato! Se hai domande o commenti, lasciali qui sotto. Non dimenticare di mettere mi piace al video e di iscriverti al nostro canale per altri tutorial sulla programmazione R. Restate sintonizzati per il prossimo video!
Lettura della programmazione JSON R
Lettura della programmazione JSON R
Ciao ragazzi, benvenuti in questo tutorial sul linguaggio di programmazione R. In questo video, parleremo di come estrarre informazioni da JSON (JavaScript Object Notation). Per dimostrarlo, ho l'API GitHub in background, che mostra informazioni su tutti i miei repository. Puoi vedere il mio nome utente GitHub evidenziato, insieme a un elenco di repository, incluso "awesome-tensorflow" che ho biforcato da un altro repository.
Per estrarre e lavorare con questi dati, utilizzeremo la libreria "jsonlite" in R. Iniziamo recuperando i dati dal JSON. Creeremo una variabile chiamata "json_data" e utilizzeremo la funzione "fromJSON()" per recuperare i dati da un URL specifico. Copierò l'URL dell'API GitHub e lo passerò come argomento alla funzione 'fromJSON()'.
Dopo aver eseguito questo codice, otteniamo un frame di dati. Per confermare la classe di 'json_data', usiamo la funzione 'class()', che rivela che si tratta effettivamente di un frame di dati.
Ora, esploriamo il contenuto della variabile 'json_data'. Possiamo usare la funzione 'names()' per recuperare i nomi degli attributi nel data frame. Digitando 'names(json_data)', otteniamo un elenco di attributi, incluso 'name', che rappresenta il nome di ciascun repository.
Per estrarre i nomi di tutti i miei repository, possiamo accedere direttamente all'attributo 'name' utilizzando la sintassi 'json_data$name'. Questo rivela i nomi di tutti i miei repository, per un totale di circa 30.
Successivamente, consideriamo lo scenario di conversione di un frame di dati, come il set di dati "iris", nel formato JavaScript Object Notation (JSON). Per ottenere ciò, possiamo utilizzare la funzione 'toJSON()'. Ad esempio, creiamo una variabile chiamata "my_json" e applichiamo la funzione "toJSON()" al set di dati "iris". Inoltre, possiamo includere il parametro 'pretty' per assicurarci che il JSON risultante sia formattato in modo visivamente piacevole.
Stampando "my_json", possiamo osservare che il JSON è ben formattato con il rientro corretto. Visualizza gli attributi "lunghezza sepalo", "larghezza sepalo", "lunghezza petalo", "larghezza petalo" e "specie" insieme ai valori corrispondenti, come "6.3", "4.8", "1.8" e " virginica'.
Se rimuoviamo il parametro 'pretty' e generiamo nuovamente il JSON, diventa meno leggibile e viene troncato a causa della sua lunghezza. Pertanto, si consiglia di utilizzare il parametro 'pretty' per una migliore visualizzazione.
Ora, esploriamo come riconvertire il JSON in un frame di dati. Per ottenere ciò, possiamo utilizzare la funzione 'fromJSON()' e fornire la variabile 'my_json' come parametro. L'esecuzione di questo codice restituisce il frame di dati originale, invertendo di fatto il processo di conversione.
Grazie per aver guardato! Se hai commenti o domande, non esitare a lasciarli qui sotto. Il tuo feedback è molto apprezzato. Non dimenticare di iscriverti al nostro canale per altri tutorial sulla programmazione R. Restate sintonizzati per il prossimo video!
Leggi il file CSV in R
Leggi il file CSV in R
Ciao ragazzi, benvenuti in questo video tutorial sul linguaggio di programmazione R. In questo tutorial, ti mostrerò come aprire un file CSV usando R. Per iniziare, ho già aperto la documentazione della guida di R sul lato destro dello schermo. Possiamo vedere che c'è una funzione chiamata 'read.csv()' che possiamo usare per questo compito. Per impostazione predefinita, questa funzione presuppone che il file abbia intestazioni e che i valori siano separati da virgole.
Creiamo una variabile chiamata 'my_data' per memorizzare i dati dal file CSV. Useremo la funzione 'read.csv()' per leggere il file. Possiamo specificare il percorso del file come argomento della funzione. Per ottenere il percorso del file, ho un file CSV contenente i dati della casa, che ho ottenuto dal sito web di Kaggle. Farò clic con il pulsante destro del mouse sul file, andrò su "Proprietà" e copio il percorso del file. Tornando a RStudio, incollerò il percorso del file tra virgolette.
Ora, dobbiamo includere il nome del file nel percorso del file. Aggiungerò una barra dopo il percorso del file e incollerò il nome del file. È importante notare che poiché sto utilizzando una macchina Windows, il percorso del file contiene barre rovesciate. Tuttavia, R richiede barre in avanti o barre all'indietro sfuggite. Se eseguiamo il codice ora, riscontreremo un errore dovuto alle barre rovesciate. Per risolvere questo problema, invertiremo manualmente le barre.
Premiamo INVIO per eseguire il codice. Di conseguenza, otteniamo un frame di dati denominato "my_data" con 1.460 osservazioni o righe e 81 caratteristiche o colonne. Possiamo confermarlo usando le funzioni 'nrow()' e 'ncol()' con 'my_data'.
Per esaminare i dati, possiamo fare doppio clic sulla variabile "my_data" nel riquadro Ambiente oppure utilizzare il comando "my_data" nella console. Tuttavia, la visualizzazione dell'intero frame di dati nella console potrebbe non essere molto leggibile. Pertanto, consiglio di fare doppio clic su "my_data" per visualizzare una tabella ben formattata.
Questo è tutto per questo tutorial, ragazzi! Grazie per aver guardato. Spero che tu l'abbia trovato utile. Se hai domande o commenti, sentiti libero di lasciarli qui sotto. Non dimenticare di iscriverti al nostro canale per altri tutorial sulla programmazione R. Restate sintonizzati per il prossimo video!
Regressione lineare multipla in R
Regressione lineare multipla in R
Ciao ragazzi, benvenuti a questo video sul linguaggio di programmazione R. Oggi voglio discutere la regressione lineare multipla e dimostrare come implementarla in RStudio. Per iniziare, abbiamo bisogno di un set di dati per l'analisi. Ho già un file CSV chiamato "real_estate.csv", che ho ottenuto online. Puoi trovare il link per scaricare questo set di dati nella descrizione qui sotto.
Iniziamo creando una variabile chiamata 'my_data' e usiamo la funzione 'read.csv()' per leggere il file CSV in RStudio. Dobbiamo specificare la posizione e il nome del file. Per ottenere la posizione, faccio clic con il pulsante destro del mouse sul file e faccio clic su "Proprietà" per copiare la posizione del file. Dopo aver incollato la posizione, la racchiuderò tra virgolette. Inoltre, includerò il nome del file dopo una barra e mi assicurerò di invertire le barre in modo che corrispondano al formato richiesto per le macchine Windows. L'esecuzione di questo codice crea il frame di dati "my_data", che contiene 781 righe e 8 colonne.
Ora, diamo un'occhiata più da vicino al data frame. Abbiamo diverse colonne, tra cui "MLS" (numero di servizio di elenchi multipli), "Posizione", "Prezzo", "Camere da letto", "Bagni", "Dimensioni" (dimensioni della casa in piedi quadrati), "Prezzo/mq", e 'Stato' (tipo di vendita). Allo scopo di dimostrare la regressione lineare multipla, lavoreremo solo con colonne numeriche ed escluderemo "Posizione" e "Stato".
Per creare un nuovo set di dati, assegnerò "my_data" a una nuova variabile chiamata "my_data2" e selezionerò le colonne 1, 3, 4, 5, 6 e 7. Questo nuovo set di dati contiene 781 righe e 6 colonne.
Passiamo ora alla creazione del nostro modello lineare. Creerò una variabile chiamata 'lin_mod' e la imposterò uguale alla funzione 'lm()', che sta per modello lineare. Vogliamo prevedere il "Prezzo" in base a caratteristiche come "MLS", "Camere da letto", "Bagni", "Dimensioni" e "Prezzo/mq". Specificando "Prezzo" come variabile dipendente e includendo le altre caratteristiche, possiamo costruire il nostro modello lineare utilizzando il set di dati "my_data2".
Per ottenere un riepilogo del nostro modello lineare, userò la funzione 'summary()' su 'lin_mod.' Il riepilogo fornisce informazioni su residui, coefficienti e valori p. Il significato delle variabili può essere determinato visivamente utilizzando le stelle, dove tre stelle indicano un significato elevato.
Ora che abbiamo il nostro modello lineare, proviamo a fare una previsione. Creerò una variabile chiamata "prezzo" e la imposterò uguale al coefficiente di intercetta meno 7,34, più i coefficienti delle variabili moltiplicati per i rispettivi valori dall'ultima riga della tabella. Ad esempio, moltiplichiamo il valore "MLS" per il suo coefficiente e lo aggiungiamo all'equazione. Allo stesso modo, includeremo "Camere da letto", "Bagni", "Dimensioni" e "Prezzo/mq" nell'equazione di previsione.
Stampiamo il prezzo previsto e lo confrontiamo con il prezzo effettivo dell'ultima riga del set di dati. Il prezzo previsto dovrebbe essere di circa $ 1.100.000. Dopo aver eseguito il codice, otteniamo un prezzo previsto di $ 1.023.000, che è di circa $ 77.000 inferiore al prezzo effettivo. Sebbene la differenza sia significativa, potrebbe non essere una preoccupazione importante per gli acquirenti che considerano una casa da un milione di dollari.
Spero che tu abbia trovato questo video informativo e divertente. Se hai domande o commenti, lasciali qui sotto. Non dimenticare di mettere mi piace a questo video e resta sintonizzato per altri tutorial. Grazie per la visione e ci vediamo al prossimo.