❶ R語言數據分析實例一：離職率分析與建模預測
本文分析利用IBM離職員工數據進行分析。在對離職率的影響因素進行觀察的基礎至上，建立模型並預測哪些員工更易離職。
一般而言，數據分析分為三個步驟：數據收集與清洗、探索性分析和建模預測。本文的數據集是IBM用於研究員工預測的 模擬數據 ，數據十分完整，無需清洗。因此，本文主要分為三個部分：
通過對IBM離職員工數據實踐，本文希望發掘出影響員工流失的因素，並對利用R語言進行數據分析過程進行復習，深化對數據分析工作意義的理解。
IBM離職員工數據集共有35個變數，1470個觀測個案。部分需要重點關注的變數如下：
上述變數可以分為三個部分：
載入分析包和數據集
通過描述性統計可以初步觀測到：
分析結果：
基於對數據的探索性分析，員工離職有多方面因素的影響，主要有：
1.工作與生活的不平衡——加班、離家遠和出差等；
2.工作投入如果不能獲得相匹配的回報，員工更傾向離職；
3.優先股認購等福利是員工較為關注的回報形式；
4.年齡、任職過的公司數量的因素也會影響員工離職率；
刪除需要的變數：EmployeeCount, EmployeeNumber, Over18, StandardHours
變數重新編碼：JobRole, EcationFiled
分析結果表明：
隨機森林所得的AUC值為0.5612，小於決策樹模型。
GBM模型得到的AUC值為0.5915
對於對於隨機森林和GBM的方法，AUC值小於單一決策樹模型的AUC值的情況較少見，這顯然說明單一的樹擬合得更好或者更穩定的情況。（一般需要得到AUC值大於0.75的模型）
當結果分類變數之間的比列是1：10或者更高的時候，通常需要考慮優化模型。本例中，離職變數的比列是1：5左右，但仍然可能是合理的，因為在決策樹中看到的主要問題是預測那些實際離開的人（敏感度）。
加權旨在降低少數群體中的錯誤，這里是離職群體。
向上采樣（up-sampling）指從多數類中隨機刪除實例。
向下采樣（down-sampling）指從少數類中復制實例。
分析結果表明：
加權調整的模型表現最好，相比較於單純的隨機森林和GBM模型，AUC值從0.5612上升至0.7803，靈敏度也達到了0.7276。據此，後續將採用加權調整後的模型進行預測。
已經訓練出一個表現較好的模型。將其應用於實踐時，需要注意以下幾個方面：
可以觀察到影響員工流失的前5個因素是：
因此，在實踐中就需要注意：
本例中對工作投入高、收入低的員工進行預測。
本例分析仍有需要足夠完善的地方，還可以往更多更有意義的地方探索：
❷ 【R語言入門與數據分析-5】 數據分析實戰
老師的吐槽大會，樂死我了。hhh
regression，通常指用一個或者多個預測變數，也稱自變數或者解釋變數，來預測響應變數，也稱為因變數、效標變數或者結果變數的方法
存在多個變數
AIC 考慮模型統計擬合度、用來擬合的參數數目
AIC值越小，越好
更多的變數：
圖一：是否呈線性關系， 是
圖二：是否呈正態分布，一條直線，正態分布
圖三：位置與尺寸圖，描述同方差性，如果方差不變，水平線周圍的點應該是隨機分布
圖四：殘差與杠桿圖，對單個數據值的觀測，鑒別離群點、高杠桿點、強影響點
模型建好，用predict函數對剩餘500個樣本進行預測，比較殘差值，若預測准確，說明模型可以。
analysis of variance，簡稱ANOVA，也稱為變異數分析。用於兩個及兩個以上樣本均數差別的顯著性檢驗。廣義上，方差分析也是回歸分析的一種，只不過線性回歸的因變數一般是連續型變數。自變數是因子時，研究關注的重點通常會從預測轉向不同組之間的差異比較。也就是方差分析。
power analysis，可以幫助在給定置信度的情況下，判斷檢測到給定效應值所需的樣本量。也可以在給定置信度水平情況下，計算在某樣本量內能檢測到給定效應值的概率
拓展了線性模型的框架，包含了非正態因變數的分析。線性回歸、方差分析都是基於正態分布的假設
-泊松回歸 ，用來為計數資料和列聯表建模的一種回歸分析。泊松回歸假設因變數是泊松分布，並假設它平均值的對數可被未知參數的線性組合建模
-logistic 回歸
通過一系列連續型或者類別型預測變數來預測二值型結果變數是，logistic 回歸是一個非常有用的工具。流行病學研究中用的多。
Principal Component Analysis，PCA，探索和簡化多變數復雜關系的常用方法。 是一種數據降維技巧。可以將大量相關變數轉化為一組很少的不相關變數。這些無關變數成為主成分。主成分是對原始變數重新進行線性組合，將原先眾多具有一定相關性的指標，重新組合為一組的心得相互獨立的綜合指標。
探索性因子分析法 exploratory factor analysis，簡稱為EFA，是一系列用來發現一組變數的潛在結構的方法。通過找尋一組更小的、潛在的活隱藏的結構來解釋已觀測到的、顯式的變數間的關系
因子分析步驟與PCA一致
啤酒與尿布