10、数据建模与回归分析的实用指南

数据建模与回归分析的实用指南

在数据分析领域，建模和回归分析是非常重要的技术。本文将介绍多种建模和回归分析的方法，包括线性判别函数分析、逻辑回归、AdaBoost 集成分类树模型，以及计算均方根误差和构建 KNN 回归模型等内容。

1. 模型构建与预测的控制

在模型构建和预测步骤中，我们可以采取一些方法来更好地控制过程。

1.1 对 nnet 进行更多控制

可以使用以下额外选项：
- na.action ：默认情况下，任何缺失值都会导致函数运行失败。可以指定 na.action = na.omit 来排除包含缺失值的案例。
- skip ：使用 skip = TRUE 可以添加从输入节点到输出节点的跳过层直接连接。
- rang ：使用 rang 参数指定初始随机权重的范围为 [-rang, rang] ；如果输入值较大，选择 rang 使得 rang*(max|variable|) 接近 1。

1.2 生成原始概率

使用 type = "raw" 选项生成原始概率：

pred <- predict(mod, newdata=bn[-train.idx,], type="raw")