陸紅

摘要：大數(shù)據(jù)分析模型構(gòu)建完成后，最重要的是對(duì)模型進(jìn)行檢驗(yàn)，如何檢驗(yàn)是困擾我們的一個(gè)難題，本文圍繞房?jī)r(jià)大數(shù)據(jù)分析模型，介紹幾種大數(shù)據(jù)分析模型的檢驗(yàn)方法，供從事大數(shù)據(jù)分析研究的人員借鑒和參考。

關(guān)鍵詞：大數(shù)據(jù)；分析模型；檢驗(yàn)方法

中圖分類(lèi)號(hào)：G712 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2017）17-0082-02

一、引言

房?jī)r(jià)大數(shù)據(jù)分析模型通過(guò)機(jī)器學(xué)習(xí)方法構(gòu)建，模型建立完成后需要對(duì)模型進(jìn)行檢驗(yàn)，房?jī)r(jià)大數(shù)據(jù)模型需要檢驗(yàn)擬合的情況，欠擬合說(shuō)明模型對(duì)數(shù)據(jù)的覆蓋程度不夠，過(guò)擬合無(wú)法反應(yīng)模型的通用性。通過(guò)回歸診斷，診斷殘差情況，殘差是反映真實(shí)值與假設(shè)值之間的差，希望模型殘差盡量小，假設(shè)值極大地逼近真實(shí)值。通過(guò)檢驗(yàn)可以剔除奇異數(shù)，剔除一些干擾項(xiàng)。

二、回歸診斷

1.房?jī)r(jià)大數(shù)據(jù)分析模型。price1<-data.frame（price=c（130，140，150，135，200，220，210，280，300，320，350），size=c（50，55，60，55，80，90，90，110，120，130，140），room=c（1，1，1，1，2，2，2，3，3，3，3））；tline<-function（）{plot（price～room+size，data=price1，pch=16，col='red'）；model1=lm（price～room+size，data=price1）；）tline（）；summary（model1）。模型構(gòu)建采用最小二乘算法進(jìn)行機(jī)器學(xué)習(xí)，經(jīng)過(guò)訓(xùn)練數(shù)據(jù)訓(xùn)練，訓(xùn)練出房?jī)r(jià)大數(shù)據(jù)分析模型。通過(guò)summary（model1）函數(shù)，生成模型檢驗(yàn)數(shù)據(jù)，檢驗(yàn)?zāi)Ｐ蛿M合情況、殘差數(shù)據(jù)、正態(tài)分布情況、方差檢驗(yàn)、奇異數(shù)檢驗(yàn)，通過(guò)模型檢驗(yàn)數(shù)據(jù)分析模型是否需要進(jìn)一步優(yōu)化。

Residuals：

Min 1Q Median 3Q Max

-7.5556 -2.6667 -0.2222 3.5556 8.6667

殘差最小是-7.5556，最大是8.6667，中值是-0.2222。估計(jì)的值與真實(shí)值存在一定的誤差，通過(guò)求極值算法使之最小。

Coefficients：

Estimate Std. Error t value Pr（>|t|）

（Intercept） 43.7778 5.7061 7.672 0.000256 ***

size 1.5111 0.2461 6.140 0.000855 ***

room 15.7778 10.7282 1.471 0.191782

Signif. codes： 0 ‘*** 0.001 ‘** 0.01 ‘* 0.05 ‘.‘ 1

Residual standard error： 5.837 on 6 degrees of freedom

Multiple R-squared： 0.9949，Adjusted R-squared： 0.9932

F-statistic：582.3 on 2 and 6 DF， p-value： 1.346e-07

2.模型參數(shù)。采用最小二乘法算法，經(jīng)過(guò)機(jī)器學(xué)習(xí)，訓(xùn)練出模型參數(shù)，構(gòu)成房?jī)r(jià)大數(shù)據(jù)分析模型：房?jī)r(jià)大數(shù)據(jù)分析模型為y=aX1+bX2+C，其中：X1=size（面積），X2=room（間數(shù)），y（總價(jià)）。經(jīng)過(guò)機(jī)器學(xué)習(xí)得到模型以下參數(shù)：Size=1.5111；Room=15.7778；截距=

43.7778；y=1.5111*X1+15.7778*X2+43.7778，此函數(shù)為房?jī)r(jià)大數(shù)據(jù)分析模型。

3.顯著性檢驗(yàn)。

Estimate Std. Error t value Pr（>|t|）

（Intercept） 43.7778 5.7061 7.672 0.000256 ***

size 1.5111 0.2461 6.140 0.000855 ***

room 15.7778 10.7282 1.471 0.191782

Signif. codes： 0 ‘*** 0.001 ‘** 0.01 ‘* 0.05 ‘.‘ 1

殘差自由度為6的殘差標(biāo)準(zhǔn)誤差為5.837，p-value：1.346e-07，P值很小說(shuō)明無(wú)自相關(guān)性，殘差項(xiàng)之間獨(dú)立。自變量與應(yīng)變量相關(guān)性，截距和size顯著性均為三顆星***，說(shuō)明截距和size與Y相關(guān)性顯著；room沒(méi)有星，說(shuō)明room與Y房?jī)r(jià)相關(guān)性不顯著。

4.擬合情況分析。

通過(guò)數(shù)據(jù)可視化，觀察房?jī)r(jià)大數(shù)據(jù)散點(diǎn)圖，可以看出房?jī)r(jià)大數(shù)據(jù)訓(xùn)練樣本呈直線分布?？梢杂镁€性回歸進(jìn)行房?jī)r(jià)大數(shù)據(jù)分析模型的構(gòu)建。

通過(guò)殘差與擬合圖，觀察和分析模型對(duì)訓(xùn)練數(shù)據(jù)集擬合程度，從上圖擬合線（紅線）對(duì)數(shù)據(jù)的擬合情況看，基本上擬合了大多數(shù)數(shù)據(jù)。沒(méi)有發(fā)生欠擬合或過(guò)擬合。Multiple R-squared： 0.9949，Adjusted R-squared： 0.9932，從這兩個(gè)數(shù)據(jù)可以看出擬合達(dá)到99%以上，擬合程度很高。

5.假設(shè)性檢驗(yàn)。從正態(tài)Q-Q圖上可以看出，數(shù)據(jù)分布在45°直線周?chē)瑯?biāo)準(zhǔn)殘差成正態(tài)分布，滿(mǎn)足正態(tài)性假設(shè)。

6.方差檢驗(yàn)。同方差性，若滿(mǎn)足不變方差假設(shè)，位置—尺度圖縱坐標(biāo)為標(biāo)準(zhǔn)化殘差的平方根，殘差越大，點(diǎn)的位置越高。從圖中可以看出經(jīng)過(guò)對(duì)殘差處理為標(biāo)準(zhǔn)化殘差的平方根，擬合的總體趨勢(shì)還可以，個(gè)別點(diǎn)可以看出遠(yuǎn)離擬合線如“點(diǎn)5”、“點(diǎn)7”，奇異點(diǎn)已經(jīng)顯露。

7.奇異數(shù)檢驗(yàn)。從殘差與杠桿圖中可以看出離群點(diǎn)和影響強(qiáng)度。Cook's distance值衡量強(qiáng)影響點(diǎn)的強(qiáng)度，從圖中可以看出“點(diǎn)7”這個(gè)點(diǎn)Cook's distance值超過(guò)0.5是所有數(shù)據(jù)中Cook's distance值最高的數(shù)據(jù)，它是目前的強(qiáng)影響點(diǎn)。杠桿值高的數(shù)據(jù)是離群點(diǎn)，目前“點(diǎn)4”杠桿值也較高，它也是離群點(diǎn)。

三、交叉驗(yàn)證

從訓(xùn)練數(shù)據(jù)集中提取一部分?jǐn)?shù)據(jù)作為驗(yàn)證數(shù)據(jù)，將驗(yàn)證數(shù)據(jù)代入房?jī)r(jià)大數(shù)據(jù)分析模型，得出的結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行比較。如果與真實(shí)值很接近，說(shuō)明分析模型預(yù)測(cè)房?jī)r(jià)比較準(zhǔn)確；如果模型得出的結(jié)果與真實(shí)的房?jī)r(jià)相差較大，需要優(yōu)化房?jī)r(jià)大數(shù)據(jù)分析模型算法。