# Kas yra predict() R kalboje?

Naudodami R programos funkciją `predict()`, galite prognozuoti naujus, nematytus duomenis. Ši funkcija yra svarbus mašininio mokymosi įrankis.

## Kam naudojama funkcija predict() programoje R?

R funkcija `predict()` yra universalus įrankis, naudojamas prognozavimo modeliavimui. Ji generuoja **prognozes naujiems ar esamiems duomenų taškams,** remdamasi anksčiau sukurtais statistiniais modeliais, tokiais kaip linijinė regresija, loginė regresija, sprendimų medžiai ir kitos modeliavimo technikos.

## Kokia yra predict() sintaksė R kalboje?

R funkcija `predict()` kaip argumentus naudoja **apmokytą modelį ir duomenų taškus**, kuriems turėtų būti taikomas prognozavimas. Galite nurodyti įvairias parinktis ir parametrus, atsižvelgdami į naudojamo modelio tipą. Rezultatas yra prognozių vektorius, kuris gali būti naudingas įvairiems analitiniams tikslams, įskaitant modelio veikimo vertinimą, sprendimų priėmimą ar gautų duomenų iliustravimą.

```R
predict(object, newdata, interval)
```

- **`object`**: apmokytas modelis, kuriam taikomi prognozavimai
- **`newdata`**: Duomenų taškas prognozei
- **`interval`**: Pasirinktinis argumentas, skirtas įvesti pasikliautumo intervalo tipą (`confidence` vidutiniam intervalui, `prediction` prognozėms)

## Pavyzdys, kaip naudoti predict() R kalboje

Šis pavyzdys iliustruoja, kaip veikia funkcija `predict()` programoje R. Naudosime vartotojo apibrėžtą duomenų rinkinį su greičio ir atstumo reikšmėmis.

### Duomenų kūrimas ir rodymas

```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)
```

Pirmiausia sukursime **vartotojo apibrėžtą duomenų rinkinį**, skirtą greičio ir atstumo santykiui įvertinti. Naudosime funkciją `data.frame()`, kad sukurtume duomenų rėmelį, tada apibrėšime kintamųjų `speed` ir `distance` vertes atitinkamai kaip `c(15, 20, 25, 30, 35)` ir `c(30, 40, 50, 60, 70)`.

Sukūrę duomenų rinkinį, jį parodysime naudodami funkciją `print()`. Taip galėsime patikrinti naujojo duomenų rėmo struktūrą ir priskirtas reikšmes.

Išvestis:

```R
"Custom Data Frame:"
    speed distance
1        15        30
2        20        40
3        25        50
4        30        60
5        35        70
```

### Linijinio modelio kūrimas

```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))
```

Išvestis:

```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
```

Rezultatuose matome linijinį modelį (`custom_model`), kuris buvo sukurtas duomenų rinkiniui ir modeliuoja greičio ir atstumo santykį. Gauname modelio rezultatą, įskaitant koeficientus ir statistinę informaciją.

### Naujų greičio verčių nustatymas ir prognozės

```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)
```

Dabar sukūrėme kitą duomenų rinkinį (`new_speed_values`) su naujomis greičio reikšmėmis. Tada naudojome R `predict()`, kad pagal aukščiau sukurtą linijinį modelį prognozuotume atitinkamas atstumo reikšmes.

### Prognozių rodymas

```R
# Displaying the predicted values
print("Predicted Distance Values:")
print(predicted_distance)
```

Rezultatuose rodomos atstumo vertės, apskaičiuotos pagal greitį:

```R
"Predicted Distance Values:"
               1                2                  3                 4                   5
 80.0000     90.0000    100.0000  110.0000     120.0000
```

Tip Jei norite sužinoti apie tekstų apdorojimą ir duomenų valymą R kalboje, peržiūrėkite mūsų pamokėles apie R gsub ir sub bei [R substring](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/r-dalinis-simboliu-rinkinys/).


This is a markdown version of: [https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/r-prognoze/](https://www.ionos.com/lt-lt/digitalguide/interneto-svetaines/interneto-svetainiu-kurimas/r-prognoze/) for AI/LLM consumption.