问题描述

请分析 Boston 数据集，并撰写一个数据分析报告。

在报告中主要分析并回答以下两个问题。

Boston 数据集查看数据集

> library(MASS)
> head(Boston) # 查看数据前6行
     crim zn indus chas   nox    rm  age    dis rad tax ptratio  black lstat medv
1 0.00632 18  2.31    0 0.538 6.575 65.2 4.0900   1 296    15.3 396.90  4.98 24.0
2 0.02731  0  7.07    0 0.469 6.421 78.9 4.9671   2 242    17.8 396.90  9.14 21.6
3 0.02729  0  7.07    0 0.469 7.185 61.1 4.9671   2 242    17.8 392.83  4.03 34.7
4 0.03237  0  2.18    0 0.458 6.998 45.8 6.0622   3 222    18.7 394.63  2.94 33.4
5 0.06905  0  2.18    0 0.458 7.147 54.2 6.0622   3 222    18.7 396.90  5.33 36.2
6 0.02985  0  2.18    0 0.458 6.430 58.7 6.0622   3 222    18.7 394.12  5.21 28.7

数据描述

在命令行中输入

?Boston

命令，Rstudio 界面出现该数据集的解释界面，如图所示：

该数据集描述波士顿郊区的房价，该数据集共506行、14列。

哑变量一般指虚拟变量。 虚拟变量 ( Dummy Variables) 又称虚设变量、名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明。

构建分类模型数据可视化

通过查看数据描述，我们知道了每个变量的含义。通过数据可视化，我们可以快速知道数据分布情况金融数据分析导论:基于r语言，便于下一步构造模型。查看 crim 变量，绘制箱线图。因为数值多分布在0-1范围内，所以在该箱线图中，对y轴的显示取对数，便于更方便地观察数据。

boxplot 

logistic 分类模型构建分类模型的因变量

构建 logistic 分类模型的因变量，该因变量是二分类的。我们将高于犯罪率中位数的项记为“1”，否则为“0”。

dt  median(dt$crim), 1, 0)

构建三个不同自变量的模型

#### 构建3个模型 ####
log.fit 

交叉验证

进行交叉验证，将准确率作为衡量标准。

fold_log  0.5, 1, 0)
    a 

结果分析

> fold_log(log.fit,dt)
[1] 0.9150087
> fold_log(log.fit2,dt)
[1] 0.9229287
> fold_log(log.fit3,dt)
[1] 0.9090433

由输出结果可知，log.fit2 即第二个模型的准确率更高，为$0.9229287$。

LDA 回归模型

同理金融数据分析导论:基于r语言，

lda 

结果分析

> fold_lda(lda,dt)
[1] 0.8556253
> fold_lda(lda2,dt)
[1] 0.8575861
> fold_lda(lda3,dt)
[1] 0.8635469

由输出结果可知，lda3 即第三个模型的准确率更高，为 0.8635469。

K 临近模型

#### 模型1 ####
# k=1
library(kknn)
library(caret)
set.seed(3)
folds  0.5, 1, 0)
  a  0.5, 1, 0)
  a  0.5, 1, 0)
  a  0.5, 1, 0)
  a 

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！