R programnyelv alapok 3

Modelezés (Modeling) 

Modellezés adatbeolvasással kezdődik és folytatódik tisztítással, átstrukturálással, majd a vizualitás következik:



Keresztnév gyakoriság elemzése:

# csak egyszer kell
#install.packages(c("ggplot2", "hexbin", "maps", "mapproj","RColorBrewer", "scales"))
library(dplyr)
library(ggplot2)
library(reshape)
#----
options(stringsAsFactors = FALSE)
bnames <- read.csv("data/bnames.csv.bz2")
births <- read.csv("data/births.csv")

head(bnames)  ## elso sorok megtekintése minta jelleggel
tail(bnames)  ## utolso sorok megtekintése minta jelleggel

Charles <- bnames[bnames$name == "Charles", ]    ## Charles név adatainak kiszűrése
qplot(year, prop, data = Charles, geom = "line") ## megjelenités

John <- bnames[bnames$name == "John", ]        ## John név adatainak kiszűrése
qplot(year, prop, data = John, geom = "line")   ## megjelenités

Iyana <- bnames[bnames$name == "Iyana", ]        ## Iyana név adatainak kiszűrése
qplot(year, prop, data = Iyana, geom = "line")   ## megjelenités

michael <- bnames[bnames$name == "Michael", ]
qplot(year, prop, data = michael, geom = "line")
qplot(year, prop, data = michael, geom = "point")
qplot(year, prop, data = michael, geom = "line",
  color = sex)

michaels <- bnames[bnames$name == "Michael" |
                     bnames$name == "Michelle", ]
qplot(year, prop, data = michaels, geom = "line",
      color = interaction(sex, name))

Bűntény elemzés:

options(stringsAsFactors = FALSE) 
wages <- read.csv("data/wages.csv")
.. 
crime <- read.csv("data/crime.csv")
..
tbl_df(crime) 


mod <- lm(tc2009 ~ low, data = crime)
mod
names(mod)

summary(mod) 
predict(mod) 
resid(mod)
coef(mod)   ##  coefficients(mod) 


qplot(low, predict(mod), data = crime, geom = "line")

qplot(low, tc2009, data = crime) +   geom_smooth(method = lm) 

Adatforras : Link1  Link2  Link3

Lineáris regresszió (Linear regression)

##---- lineális regreszio
library(ggplot2)
library(dplyr)

options(stringsAsFactors = FALSE)
wages <- read.csv("data/wages.csv")
crime <- read.csv("data/crime.csv")

# Estimating a function
mod <- lm(tc2009 ~ low, data = crime)

tc2009 ~ low
class(tc2009 ~ low)

mod
names(mod)
summary(mod)
predict(mod)
resid(mod)

coef(mod)
coefficients(mod)

qplot(low, predict(mod), data = crime, geom = "line")
qplot(low, tc2009, data = crime) +   geom_smooth(method = lm)

qplot(low, tc2009, data = crime) +
  geom_smooth(se = FALSE, method = lm)

lm(tc2009 ~ 1 + low, data = crime)
lm(tc2009 ~ low, data = crime)
lm(tc2009 ~ low - 1, data = crime)
lm(tc2009 ~ 0 + low, data = crime)

hmod <- lm(earn ~ height, data = wages)
coef(hmod)
qplot(height, earn, data = wages, alpha = I(1/4)) +
  geom_smooth(se = FALSE, method = lm) + theme_bw()

earn ~ heights
mod <- lm(earn ~ heights, data = wages)
summary(mod)
plot(mod)

Keressük az az egyes függvényt amelyre a adatsor legjobban illeszkedik:

Több változós regresszió (Multivariate regression)

Interakciók (Interaction terms)