若是您有任何疑问，请在下面发表评论。
大数据部落 -中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务
统计分析和数据挖掘咨询服务：y0.cn/teradat（咨询服务请联系官网客服）
QQ：3025393450
QQ交流群：186388004
【服务场景】
科研项目; 公司项目外包;线上线下一对一培训;数据爬虫采集;学术研究;报告撰写;市场调查。
【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询
欢迎选修咱们的R语言数据分析挖掘必知必会课程！
原文连接：http://tecdat.cn/?p=7335
本文 将针对R进行的几回建模练习的结果，以魁北克数据为依据，分为13年的训练和1年的测试。prophet与基本线性模型（lm），通常加性模型（gam）和随机森林（randomForest）进行了比较。微信
首先，设置一些选项，加载一些库，并更改工做目录。dom
读取魁北克的出生文件，创建一个data.table 。建立培训和测试data.tables-使用前13年的每日数据进行培训，并使用第14年进行测试。函数
定义两个小函数来计算 均方根偏差（rmse）和平均绝对百分比偏差（mape），以评估预测模型的性能。越低越好。post
如今开始拟合基本的lm线性模型。第一个回归整很多天期（ds）的三次样条上的日出生（y）以捕获趋势。根据训练和测试数据计算rmse和mape。 性能
接下来运行一个星期几的每日出生率模型，以捕获一周内的季节性。在性能指标上，该模型彷佛比第一个模型好，这代表一周中天天都有重要的季节性。测试
第三个模型基于月建立一个因子来处理每个月的季节。这种季节性彷佛不像一周中的一天那么强烈。大数据
最后，运行一个包含上述全部三个变量的lm模型。请注意，预测的均方根较低的rmse和mape。ui
如今，使用gam程序包运行相似的3变量通用加性模型。绝不奇怪，训练和测试的均方根值和mape与最终的lm模型至关。url
使用类似的趋势和季节性属性拟合randomForest ML模型。请注意，火车和测试性能之间的差别较大，代表火车数据过拟合。spa
最后将数据划分为训练并进行测试以适合先知并拟合其模型
在这一点上，让咱们看一下上面安装的各类lm模型的预测-第一个趋势，而后是星期几，最后是一个月。
接下来，绘制 模型的组成部分，看起来与上图很是类似- 使用的是一年中的日期而不是月份。
最后，使用测试数据比较3属性lm模型，gam模型，先知模型和随机森林模型。在每一个面板中，灰色表示实际值，而颜色表示模型预测。lm，gam和先知的表现类似，而随机森林滞后。
利用这些特定的数据，先知，lm和gam模型的测试预测很是类似，而且优于randomForest。
欢迎关注
微信公众号，了解更多数据干货资讯！