# R: la funzione predict() per la modellazione predittiva La funzione `predict()` in R svolge un compito particolare nel contesto dell’apprendimento automatico, in quanto permette di calcolare previsioni per dati nuovi, non ancora incontrati. ## A cosa serve la funzione `predict()` in R? La funzione `predict()` in R è uno strumento versatile, utilizzato nella modellazione predittiva. Serve a generare **previsioni per punti di dati nuovi o già presenti** sulla base di un modello statistico già progettato. Questo modello può essere creato, ad esempio, mediante regressione lineare, regressione logistica, alberi decisionali o altre tecniche di modellazione. ## Come è strutturata la funzione `predict()` in R La funzione `predict()` accetta come argomenti il **modello addestrato e i punti di dati** per i quali devono essere calcolate le previsioni. A seconda del tipo del modello è possibile specificare diverse opzioni e parametri. Il risultato è un vettore di previsioni che può essere poi utile per diversi scopi di analisi. Questi comprendono la valutazione delle prestazioni del modello, il processo decisionale o la visualizzazione dei dati risultanti. ```R predict(object, newdata, interval) ``` - **object**: il modello addestrato sul quale devono essere applicate le previsioni. - **newdata**: i punti di dati per le previsioni - **interval**: argomento opzionale per indicare il tipo di intervallo di confidenza (`confidence` per i valori medi, `prediction` per le previsioni) ## Esempio di applicazione della funzione `predict` in R L’esempio seguente mostra il funzionamento di `predict()` in R. A tal fine utilizziamo un record di dati personalizzato con valori di velocità e distanza. ### Creazione e visualizzazione dei dati ```R # Creating a data frame with custom speed and distance values custom_data <- data.frame(speed = c(15, 20, 25, 30, 35), distance = c(30, 40, 50, 60, 70)) # Displaying the custom data frame print("Custom Data Frame:") print(custom_data) ``` Nel primo passaggio di questo esempio costruiamo un **record di dati personalizzato** per analizzare la relazione fra velocità (`speed`) e distanza percorsa (`distance`). A tal fine utilizziamo la funzione `data.frame()` per creare un frame di dati. Con `c(15, 20, 25, 30, 35)` e `c(30, 40, 50, 60, 70)` definiamo dei valori concreti per le variabili `speed` e `distance`. Dopo aver creato il record di dati, lo visualizziamo per mezzo della funzione `print()`. In questo modo è possibile verificare visivamente la struttura e i valori assegnati del nuovo frame di dati. Output: ```R "Custom Data Frame:" speed distance 1 15 30 2 20 40 3 25 50 4 30 60 5 35 70 ``` ### Creazione di un modello lineare ```R # Creating a linear model for the custom data frame custom_model <- lm(distance ~ speed, data = custom_data) # Printing the model results print("Model Results:") print(summary(custom_model)) ``` Output: ```R "Model Results:" Call: lm(formula = distance ~ speed, data = custom_data) Residuals: 1 2 3 4 5 -2 -1 1 0 2 Coefficients: (Intercept) -10.00 15.81 -0.632 0.55897 speed 2.00 0.47 4.254 0.01205 ``` Nell’output si riconosce un modello lineare (`custom_model`) che è stato generato per il record di dati e che modella la relazione fra velocità e distanza. Otteniamo quindi i risultati del modello, inclusi i coefficienti e le informazioni statistiche. ### Definizione di nuovi valori di velocità e calcolo delle previsioni ```R # Creating a data frame with new speed values new_speed_values <- data.frame(speed = c(40, 45, 50, 55, 60)) # Predicting future distance values using the linear model predicted_distance <- predict(custom_model, newdata = new_speed_values) ``` Ora definiamo un ulteriore record di dati (`new_speed_values`) con nuovi valori di velocità. Successivamente, con `predict()` in R vengono calcolate le previsioni per i relativi valori di distanza utilizzando il modello lineare creato in precedenza. ### Visualizzazione delle previsioni ```R # Displaying the predicted values print("Predicted Distance Values:") print(predicted_distance) ``` L’output ci mostra i valori di distanza previsti a seconda della velocità: ```R "Predicted Distance Values:" 1 2 3 4 5 80.0000 90.0000 100.0000 110.0000 120.0000 ``` Consiglio Se vuoi sapere come elaborare le stringhe in R per la manipolazione dei testi e la pulizia dei dati, segui i tutorial su [gsub e sub in R](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/funzioni-sub-e-gsub-in-r/) e [substring in R](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/r-substring/) che trovi nella nostra guida. This is a markdown version of: [https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/predict-in-r/](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/predict-in-r/) for AI/LLM consumption.