Scribd
Cargar
25 vistas1 página

Script 4

El documento describe un proceso de análisis de datos que incluye la imputación de valores faltantes, la división de un conjunto de datos en entrenamiento y prueba, y la creación de un modelo de regresión lineal. Se realizan predicciones y se evalúan los resultados mediante análisis de residuos, pruebas de normalidad, homocedasticidad e independencia. Finalmente, se calculan métricas de error como el MAD y el RMSE.

Cargado por

Giovanny Misat Gómez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como TXT, PDF, TXT o lee en línea desde Scribd
25 vistas1 página

Script 4

El documento describe un proceso de análisis de datos que incluye la imputación de valores faltantes, la división de un conjunto de datos en entrenamiento y prueba, y la creación de un modelo de regresión lineal. Se realizan predicciones y se evalúan los resultados mediante análisis de residuos, pruebas de normalidad, homocedasticidad e independencia. Finalmente, se calculan métricas de error como el MAD y el RMSE.

Cargado por

Giovanny Misat Gómez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como TXT, PDF, TXT o lee en línea desde Scribd

#Para rellenar los datos N/A

Alturas$skyl1 <- ifelse([Link](Alturas$skyl1), mean(Alturas$skyl1, [Link] = TRUE),


Alturas$skyl1)
#Para saber qué clase de datos son
class(Alturas$skyl1)
class(Alturas$valid)

#Para dividir los datos entre un conjunto de prueba y uno de entrenamiento


[Link](123)
split <- [Link](Alturas$skyl1, SplitRatio = 2/3)
training_set <- subset(Alturas, split == TRUE)
test_set <- subset(Alturas, split == FALSE)

#Crear modelo de regresión lineal a partir del conjunto de entrenamiento


regressor <- lm(formula = skyl1 ~ valid, data = training_set)

#Hacer predicción con datos del conjunto de prueba


y_pred <- predict(regressor , newdata = test_set)
comparacion <- test_set
comparacion$prediccion <- y_pred
comparacion$diferencia <- (comparacion$skyl1 - comparacion$prediccion)
cor(training_set$skyl1, training_set$valid)
plot(training_set)
abline(regressor)
summary(regressor)
plot(regressor)

#Verificar normalidad

residuales <- residuals(regressor)


mean(residuales)
hist(residuales)
[Link](residuales)

#Verificar homocedasticidad
fitt <- regressor [[5]]
leveneTest(residuales, fitt)

#Verificar independencia
[Link]("lmtest")
library(lmtest)
dwtest(regressor)
#Se encuentra que no existe independencia en los datos, gracias al prueba Durbin-
Watson

#Calcular MAD
MAD <- mean(comparacion$Absoluta)

#Calcular RMSE
rmse <- sqrt(mean(comparacion$diferencia^2))

También podría gustarte