Applicazioni pratiche di machine learning/Previsioni sul cambiamento climatico: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
mNessun oggetto della modifica |
|||
Riga 94:
RMSE_train= 0.3373344
Aggiungendo come predictors alla regressione lineare la CO2 emessa in Italia e nel mondo dal 1960 al 2014 si ottiene un adjusted R-squared = 0,69 e un errore RMSE = 0,30°C che danno una stima positiva del modello, infatti il 69% della variabilità della temperatura può essere espressa dalle variabili Anno, CO2_it e CO2_world . .
<syntaxhighlight lang="rsplus">
Riga 132:
RMSE_train= 0.3084831
'''Condizioni per l'utilizzo della regressione lineare multipla: '''
*relazioni lineare tra ciascun predictor (Anno, CO2_It,CO2_world) e la variabile di risposta (media) usando il grafici dei residui vs. predictor, dovendo ottenere uno scatterplot casuale intorno a 0
<syntaxhighlight lang="rsplus">
ggplot(data = lm_2, aes(x = df1$CO2_it, y = .resid)) +
geom_point() +
geom_hline(yintercept = 0, linetype = "dashed") +
xlab("CO2 italia") +
ylab("Residuals")
ggplot(data = lm_2, aes(x = df1$CO2_world, y = .resid)) +
geom_point() +
geom_hline(yintercept = 0, linetype = "dashed") +
xlab("CO2 mondo") +
ylab("Residuals")
</syntaxhighlight>
*distribuzione dei residui quasi normale con media 0
*residui dispersi casualmente in una banda con larghezza costante intorno a 0 (nessuna forma a ventaglio)
<syntaxhighlight lang="rsplus">
hist(lm_2$residuals)
qqnorm(lm_2$residuals)
qqline(lm_2$residuals)
plot(lm_2$residuals)
</syntaxhighlight>
...visualizzando i suddetti grafici tutte condizioni sono soddisfatte.
==Parte 5: Previsioni ==
| |||