我的R语言数据挖掘基础入门学习笔记（二）

选择的数据集是NBA2013-2014赛季球员数据，该数据集来自网络并用于其所在文章（详见：https：//www.dataquest.io/blog/python-vs-r/）。

笔者心（yi）血（shi）来（ren）潮（xing），在原数据文件基础上略加改动，用R软件在最后增加一列(allstar)，该列中仅有1与0值（1代表该球员入选当赛季NBA全明星正赛，0代表该球员未能入选NBA全明星正赛），从而根据球员当赛季数据预测其能否入选全明星，对于像笔者这种喜欢NBA的童鞋是一件非常有意思的事情。输出新的数据文件nba2013.xlsx。

一、新数据集部分截图如下：

数据集列名有如下：

数据大小为：481行*32列

数据变量解释：

player：球员名字

pos：球员司职

age：球员年凉

bref_team_id：球队名称缩写

g：球员出场数

……

fg：投中球数

stl：抢断数

ast：助攻数

（不一一解释，其它请参考：http：//stats.nba.com/help/glossary）

二、logistic建模代码：

1.读入数据：

说明：在倒数第二行代码中，选入的自变量有球员司职、年龄、投中球数、三分球数、二分球数、助攻数、抢断数、盖帽数、得分数，响应变量是allstar。

2.数据预处理：

详细请见代码注释，不多说！

3.用全部数据进行logistic建模，查看效果：

summary(glm_model)结果显示：很多自变量没通过验证。所以基于AIC准则逐步回归筛选变量，所得结果公式如上代码注释所示！

4.构造训练集测试集：

5.训练集建模&测试集预测：

三、结果：

下面仅仅把summary(glm_model)、step(glm_model)、训练集及测试集预测正确率结果贴一下，其它可以根据代码注释去了解啦！

正如上面所说，在用全部数据拟合的时候，所选的大多数自变量没通过验证。

逐步回归的部分截图，我们选用上面最后给出的自变量。

训练集及测试集预测正确率如上！测试集相对训练集预测正确率略低，感兴趣的童鞋可调试下训练集抽样比例（剧透：可能抽取0.69时结果最优），找出最优结果！

写在最后：简单写这么多，算是抛砖引玉！从本小案例可以看出特征的选择对于模型很重要，感兴趣的童鞋可以尝试下其它特征变量的选择对于模型的影响；也可以试试其它算法，从得到更好的模型及结果。

另，对于想尝试其它方法的童鞋，可进一步交流，笔者微信：lhf_Peter，加微信索要数据吧，就不公开啦，毕竟这是一个比较实际而且很好玩的事情！