若是您有任何疑問，請在下面發表評論。
大數據部落 -中國專業的第三方數據服務提供商，提供定製化的一站式數據挖掘和統計分析諮詢服務
統計分析和數據挖掘諮詢服務：y0.cn/teradat（諮詢服務請聯繫官網客服）
QQ：3025393450
QQ交流羣：186388004
【服務場景】
科研項目; 公司項目外包;線上線下一對一培訓;數據爬蟲採集;學術研究;報告撰寫;市場調查。
【大數據部落】提供定製化的一站式數據挖掘和統計分析諮詢
歡迎選修咱們的R語言數據分析挖掘必知必會課程！
原文連接：http://tecdat.cn/?p=7335
本文 將針對R進行的幾回建模練習的結果，以魁北克數據爲依據，分爲13年的訓練和1年的測試。prophet與基本線性模型（lm），通常加性模型（gam）和隨機森林（randomForest）進行了比較。微信
首先，設置一些選項，加載一些庫，並更改工做目錄。dom
讀取魁北克的出生文件，創建一個data.table 。建立培訓和測試data.tables-使用前13年的每日數據進行培訓，並使用第14年進行測試。函數
定義兩個小函數來計算 均方根偏差（rmse）和平均絕對百分比偏差（mape），以評估預測模型的性能。越低越好。post
如今開始擬合基本的lm線性模型。第一個迴歸整很多天期（ds）的三次樣條上的日出生（y）以捕獲趨勢。根據訓練和測試數據計算rmse和mape。 性能
接下來運行一個星期幾的每日出生率模型，以捕獲一週內的季節性。在性能指標上，該模型彷佛比第一個模型好，這代表一週中天天都有重要的季節性。測試
第三個模型基於月建立一個因子來處理每個月的季節。這種季節性彷佛不像一週中的一天那麼強烈。大數據
最後，運行一個包含上述全部三個變量的lm模型。請注意，預測的均方根較低的rmse和mape。ui
如今，使用gam程序包運行相似的3變量通用加性模型。絕不奇怪，訓練和測試的均方根值和mape與最終的lm模型至關。url
使用類似的趨勢和季節性屬性擬合randomForest ML模型。請注意，火車和測試性能之間的差別較大，代表火車數據過擬合。spa
最後將數據劃分爲訓練並進行測試以適合先知並擬合其模型
在這一點上，讓咱們看一下上面安裝的各類lm模型的預測-第一個趨勢，而後是星期幾，最後是一個月。
接下來，繪製 模型的組成部分，看起來與上圖很是類似- 使用的是一年中的日期而不是月份。
最後，使用測試數據比較3屬性lm模型，gam模型，先知模型和隨機森林模型。在每一個面板中，灰色表示實際值，而顏色表示模型預測。lm，gam和先知的表現類似，而隨機森林滯後。
利用這些特定的數據，先知，lm和gam模型的測試預測很是類似，而且優於randomForest。
歡迎關注
微信公衆號，瞭解更多數據乾貨資訊！