日前預測分析與其應用都極為火熱，垃圾郵件，單詞補全，推薦引擎，分類等等；R和Python作為目前全世界數(shù)據(jù)科學家最常用的兩種語言，有著很多適用于不同建模技術和應用場景的擴展包。今天我們來認識下用R來做預測分析。首先我們來看看預測分析建模的大致過程.。

　　明確任務，獲取數(shù)據(jù)之后，我們選取第一個模型，需注意的是沒有什么最好的模型，所以在一開始我們只要用一個簡單的模型，例如在分類問題上選用樸素貝葉斯或者邏輯回歸，使用簡單的模型我們得到一個初始的性能，然后再不斷的探索和改進。而且類似于“有多少特征對結果有貢獻”這類有用的問題也能在擬合簡單模型的過程中得到答案。

　　處理缺失數(shù)據(jù)之前我們需要區(qū)分不同的缺失值機制，理想情況下是隨機完全缺失（MCAR），這種情況下缺失值的出現(xiàn)是獨立于它們所屬的特征以及其他特征的真實值；隨機缺失（MAR），缺失值可能會和其他特征相關當然還有非隨機缺失（MNAR）。缺失值的處理方法有很多，比如較少缺失值：拋棄數(shù)據(jù)；猜測或估算缺失值（kNN是一種辦法）。

　　模型里采用的特征數(shù)量和類型是在預測建模過程中最重要的選擇，高維數(shù)據(jù)由于維度數(shù)量的原因會導致覆蓋所有特征取值的可能組合范圍極大的增長，難以搜集到足夠的數(shù)據(jù)為訓練過程提供有代表性的樣本；特征工程有兩類：1.增大特征空間，2降維（PCA）。

　　作為預處理步驟的一部分，我們會盡力的取出互相線性相關的特征。共線性是指兩個特征近似線性相關，處理共線性常用的方法有：兩個變量合并為一個或者直接去除其中一個特征。多重共線性是指線性關系涉及多于兩個特征的情況，我們可以計算其方差膨脹因子來檢驗。R中我們可以使用car包里面的vif（）函數(shù)去查看VIF大于10的特征有極大可能存在多重共線性。