{"id":33407,"date":"2022-02-08T16:44:02","date_gmt":"2022-02-08T15:44:02","guid":{"rendered":"http:\/\/54.194.80.134.nip.io\/blog\/advanced-analytics-with-r\/"},"modified":"2022-06-18T10:29:04","modified_gmt":"2022-06-18T08:29:04","slug":"advanced-analytics-with-r","status":"publish","type":"post","link":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/","title":{"rendered":"Advanced Analytics mit R: Eine \u00dcbersicht"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Die Programmiersprache R wurde bereits anfangs der 90er Jahre entwickelt. An Bedeutung gewonnen hat sie aber erst in den letzten zehn Jahren. Dies liegt zum einen am grossen Funktionsumfang und zum anderen an der Tatsache, dass Anwender nicht zwangsl\u00e4ufig umfangreiche Programmierkenntnisse haben m\u00fcssen, um Advanced Analytics mit R erstellen\u00a0zu k\u00f6nnen.\u00a0<\/span><\/p>

In meinem letzten Blogbeitrag „Erste Schritte mit R“ haben wir uns umfassend mit den Grundlagen befasst. Sollten Sie den Artikel noch nicht gelesen haben, dann w\u00e4re jetzt ein guter Zeitpunkt – z<\/span>um Beitrag gelangen Sie<\/span>\u00a0<\/span>hier<\/a><\/span>.<\/span><\/p>

Denn heute werden wir tiefer in die Thematik eintauchen und uns mit Advanced Analytics mit R befassen, im Speziellen mit der graphischen Darstellung, der Regessionsanalyse und der Zeitreihenanalyse mit R.\u00a0\u00a0<\/span><\/p>

Lassen Sie uns beginnen.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\"focussed\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Graphische Darstellung in R<\/h2>\n

Beginnen wir mit den Grundlagen und sehen wir uns die verschiedenen Diagrammarten an, die wir in R erstellen k\u00f6nnen. Obwohl das Erstellen von Diagrammen eine relativ einfache Aufgabe ist und man meinen k\u00f6nnte, dass es nicht zu den fortgeschrittenen Analysen geh\u00f6rt, ist es wichtig, die verschiedenen Diagrammarten zu kennen und zu wissen, wann und f\u00fcr welches Szenario sie verwendet werden sollten. Die Ergebnisse, die Sie so aus ein paar Codezeilen erzielen k\u00f6nnen, sind oft aussagekr\u00e4ftiger als so manch ausgekl\u00fcgeltes Advanced Analytics.<\/p>\n

ggplot2 \u2013 Your best Friend!<\/h3>\n

Unabh\u00e4ngig davon, welche Art von Diagrammen Sie in R erstellen m\u00f6chten, ggplot2 sollte immer Ihre erste Wahl sein. Wenn es darum geht etwas darzustellen, dann ist es mit Abstand das von R-Programmierern am h\u00e4ufigsten verwendete Paket.<\/p>\n

Schauen wir uns die verschiedenen Diagramme, die das ggplot2-Paket bietet, genauer an und finden heraus, f\u00fcr welche Anwendungen sie geeignet sind. Zu Demonstrationszwecken werden wir den ber\u00fchmten Iris-Datensatz (Iris dataset)<\/a> verwenden.<\/p>\n

Also, R-Studio laden und loslegen!<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\n\t\t\t\t\tinstall.packages(\"tidyverse\")\r\nlibrary(datasets)\r\ndata(\"iris\")<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4992dae elementor-widget elementor-widget-spacer\" data-id=\"4992dae\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-006e81d elementor-widget elementor-widget-text-editor\" data-id=\"006e81d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>1.\u00a0\u00a0\u00a0\u00a0\u00a0 Balkendiagramme<\/h3><p>Balkendiagramme sind die g\u00e4ngigste Art von Diagrammen, die im Analytics verwendet werden. Sie eignen sich dazu um Werte verschiedener Kategorien mit Hilfe von vertikalen Balken zu vergleichen. Die unterschiedlich hohen Balken machen den Vergleich sehr einfach. Hier ist ein Beispiel, das die Sepal-L\u00e4nge verschiedener Arten zeigt.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c124730 elementor-widget elementor-widget-code-highlight\" data-id=\"c124730\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>ggplot(data=iris, aes(x=Species, fill = Species)) + \r\ngeom_bar() + \r\n  xlab(\"Species\") +  \r\n  ylab(\"Count\") + \r\n  ggtitle(\"Bar plot of Sepal Length\")<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2ac32df elementor-widget elementor-widget-image\" data-id=\"2ac32df\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"862\" height=\"550\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Bar_Graphs.jpeg\" class=\"attachment-large size-large wp-image-33241\" alt=\"simple bar chart\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Bar_Graphs.jpeg 862w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Bar_Graphs-300x191.jpeg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Bar_Graphs-768x490.jpeg 768w\" sizes=\"(max-width: 862px) 100vw, 862px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7641211 elementor-widget elementor-widget-spacer\" data-id=\"7641211\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e2223f7 elementor-widget elementor-widget-text-editor\" data-id=\"e2223f7\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>2.\u00a0\u00a0\u00a0\u00a0\u00a0 Histogramme<\/h3><p>Histogramme sind den Balkendiagrammen sehr \u00e4hnlich. Sie werden verwendet, um fortlaufende Daten grafisch darzustellen und sie in bestimmte Bereiche zu gruppieren. Jeder Balken in einem Histogramm hat mehrere Bins mit unterschiedlichen Farben, welche die H\u00e4ufigkeit jeder einzelnen Kategorie veranschaulichen. Unten sehen Sie ein Beispiel, wie Histogramme mit ggplot2 erstellt werden k\u00f6nnen.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-aff333e elementor-widget elementor-widget-code-highlight\" data-id=\"aff333e\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-javascript \">\n\t\t\t\t<code readonly=\"true\" class=\"language-javascript\">\n\t\t\t\t\t<xmp>ggplot(data=iris, aes(x=Sepal.Width)) + \r\n  geom_histogram(binwidth=0.2, color=\"black\", aes(fill=Species)) + \r\n  xlab(\"Sepal Width\") + \r\n  ylab(\"Frequency\") + \r\n  ggtitle(\"Histogram of Sepal Width\")<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d94d3a8 elementor-widget elementor-widget-image\" data-id=\"d94d3a8\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/elementor\/thumbs\/Rplot_Histogram-qeyihcsgodltmsowgtal57czt6hfvsjvotyepiu4n0.jpeg\" title=\"Rplot_Histogram\" alt=\"example Histogram\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-99bd835 elementor-widget elementor-widget-spacer\" data-id=\"99bd835\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-32bd43e elementor-widget elementor-widget-text-editor\" data-id=\"32bd43e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>3.\u00a0\u00a0\u00a0\u00a0\u00a0 Box-Plot<\/h3>\n<p>Der Box-Plot stellt die gesamte Datenverteilung auf sehr kompakte Weise dar. Mit einer einzigen Box k\u00f6nnen Sie sowohl das obere und untere Quartil als auch etwaige Ausrei\u00dfer sowie den Bereich der Datenverteilung anzeigen.<\/p>\n<p>M\u00f6chten Sie wissen, wie man den Boxplot liest? Klicken Sie <a href=\"https:\/\/www.statisticshowto.com\/probability-and-statistics\/descriptive-statistics\/box-plot\/#:~:text=Back%20to%20Top-,How%20to%20Read%20a%20Box%20Plot,(the%2075%25%20mark).\" target=\"_blank\" rel=\"noopener\">hier<\/a>.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ff2a9ad elementor-widget elementor-widget-code-highlight\" data-id=\"ff2a9ad\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>ggplot(data=iris, aes(x=Species, y=Sepal.Length)) +\r\n  geom_boxplot(aes(fill=Species)) + \r\n  ylab(\"Sepal Length\") + ggtitle(\"Iris Boxplot\")<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-704730a elementor-widget elementor-widget-image\" data-id=\"704730a\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/elementor\/thumbs\/Rplot_Boxplot-qeyiheo521oea0m65u3ua6vwzy86b6rcd39do2rcak.jpeg\" title=\"Rplot_Boxplot\" alt=\"example Box Plots\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cdff762 elementor-widget elementor-widget-spacer\" data-id=\"cdff762\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8ba700e elementor-widget elementor-widget-text-editor\" data-id=\"8ba700e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>4.\u00a0\u00a0\u00a0\u00a0\u00a0 Streudiagramme<\/h3>\n<p>Nicht zuletzt sind auch Streudiagramme sehr verbreitet und eignen sich zur Darstellung von Daten. Sie werden h\u00e4ufig von Datenwissenschaftlern verwendet, um eine vorhandene Korrelation zwischen einer Reihe von Variablen zu erkennen. Es werden dabei alle Punkte einer Variablen in ein Diagramm gestreut. Gibt es eine Korrelation zwischen ihnen, so wird diese ersichtlich.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cfb2e49 elementor-widget elementor-widget-code-highlight\" data-id=\"cfb2e49\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>ggplot(data=iris, aes(x = Sepal.Length, y = Sepal.Width)) + geom_point(aes(color=Species, shape=Species)) +\r\n  xlab(\"Sepal Length\") +  ylab(\"Sepal Width\") +\r\n  ggtitle(\"Sepal Length-Width\")<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f665d29 elementor-widget elementor-widget-image\" data-id=\"f665d29\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/elementor\/thumbs\/Rplot_Scatter_Plots-qeyihkb671w47odz8wjlp5gok9gdlddqdv6ajqiz98.jpeg\" title=\"Rplot_Scatter_Plots\" alt=\"Example Scatter Plots\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-11c7237 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"11c7237\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-c72985a\" data-id=\"c72985a\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-e624fe6 elementor-widget elementor-widget-spacer\" data-id=\"e624fe6\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-274f927 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"274f927\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-66 elementor-top-column elementor-element elementor-element-626bca4\" data-id=\"626bca4\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6cfd648 elementor-widget elementor-widget-text-editor\" data-id=\"6cfd648\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h2>Regressionsanalyse in R<\/h2><p>Bei der Regressionsanalyse handelt es sich um ein statistisches Analyseverfahren, bei der die Beziehung zwischen den Variablen eines Datensatzes ermittelt wird. H\u00e4ufig wird die Beziehung zwischen den unabh\u00e4ngigen und abh\u00e4ngigen Variablen ermittelt &#8211; ist aber kein Muss. Dies ist eine weitere wichtige Funktion zur Durchf\u00fchrung von Advanced Analytics mit R.<\/p><p>Die Idee der Regressionsanalyse ist es, herauszufinden, wie sich die Variable \u00e4ndern wird, wenn wir eine andere Variable \u00e4ndern. Genau auf diese Weise werden Regressionsmodelle erstellt. Es gibt verschiedene Arten von Regressionsverfahren, die wir je nach Form der Regressionslinie und Art der beteiligten Variablen verwenden k\u00f6nnen:<\/p><ul><li>Lineare Regression<\/li><li>Logistische Regression<\/li><li>Multinominale Logistische Regression<\/li><li>Ordinale Logistische Regression<\/li><\/ul><p>Schauen wir uns die verschiedenen Regressionsarten und ihre Verwendung genauer an.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-37b8c4e\" data-id=\"37b8c4e\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-079a5cb elementor-widget elementor-widget-image\" data-id=\"079a5cb\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1024\" height=\"762\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M-1024x762.jpg\" class=\"attachment-large size-large wp-image-33460\" alt=\"Analytics\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M-1024x762.jpg 1024w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M-300x223.jpg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M-768x571.jpg 768w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M-1536x1143.jpg 1536w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Fotolia_65676998_M.jpg 1598w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-5c55337 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"5c55337\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-7e15239\" data-id=\"7e15239\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9ccfbf7 elementor-widget elementor-widget-text-editor\" data-id=\"9ccfbf7\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>1.\u00a0\u00a0\u00a0\u00a0\u00a0 Lineare Regression<\/h3><p>Die lineare Regression ist die einfachste Art der Regression und kann verwendet werden, wenn zwei Variablen eine lineare Beziehung aufweisen. Ausgehend von den Werten der beiden Variablen wird eine gerade Linie mit der folgenden Gleichung formuliert:<\/p><p><em>Y = ax + b<\/em><\/p><p>Die lineare Regression wird zur Vorhersage fortlaufender Werte verwendet, wobei Sie lediglich den Wert der unabh\u00e4ngigen Variablen angeben. Als Ergebnis erhalten Sie den Wert der abh\u00e4ngigen Variable (in diesem Fall y).<\/p><h3>2.\u00a0\u00a0\u00a0\u00a0\u00a0 Logistische Regression<\/h3><p>Die logistische Regression wird angewandt, um die Vorhersage von Werten innerhalb eines bestimmten Bereichs zu ermitteln. Sie kann verwendet werden, wenn die Zielvariable kategorisch ist, z. B. zur Vorhersage eines Gewinners oder Verlierers anhand bestimmter Daten. Die folgende Gleichung wird bei der logistischen Regression verwendet.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-305550f elementor-widget elementor-widget-image\" data-id=\"305550f\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"155\" height=\"81\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Logistic-Regression.png\" class=\"attachment-medium size-medium wp-image-33286\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ecf3000 elementor-widget elementor-widget-text-editor\" data-id=\"ecf3000\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>3.\u00a0\u00a0\u00a0\u00a0\u00a0 Multinomiale Logistische Regression<\/h3>\n<p>Wie der Name schon sagt, ist die multinomiale logistische Regression eine erweiterte Version der logistischen Regression. Der Unterschied zur einfachen logistischen Regression besteht darin, dass sie mehr als zwei kategoriale Variablen unterst\u00fctzen kann. Ansonsten verwendet sie denselben Mechanismus wie die logistische Regression.<\/p>\n<h3>4.\u00a0\u00a0\u00a0\u00a0\u00a0 Ordinale Logistische Regression<\/h3>\n<p>Auch hier handelt es sich um einen erweiterten Mechanismus der einfachen logistischen Regression, der zur Vorhersage von Werten auf verschiedenen Kategorie Levels verwendet wird, z. B. zur Vorhersage von Rangfolgen. Ein Anwendungsbeispiel f\u00fcr die ordinale logistische Regression w\u00e4re die klassische Restaurantbewertung.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4552d75 elementor-widget elementor-widget-spacer\" data-id=\"4552d75\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-8ebbd8a elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"8ebbd8a\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-7735a77\" data-id=\"7735a77\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-4560e3c elementor-widget elementor-widget-text-editor\" data-id=\"4560e3c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h2>Verwendung von Regression in R<\/h2>\n<p>Zur Demonstration werde ich ein logistisches Regressionsmodell in R erstellen.<\/p>\n<p>Anwendungsfall: Wir wollen den Erfolg von Sch\u00fclern in einer Pr\u00fcfung anhand ihrer IQ-Werte vorhersagen.<\/p>\n<p>Lassen Sie uns daf\u00fcr einige zuf\u00e4llige IQ-Zahlen generieren, um unseren Datensatz zu erstellen.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3518610 elementor-widget elementor-widget-code-highlight\" data-id=\"3518610\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp># Generate random IQ values with mean = 30 and sd =2\r\nIQ <- rnorm(40, 30, 2)\r\n \r\n# Sorting IQ level in ascending order\r\nIQ <- sort(IQ)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-10e0806 elementor-widget elementor-widget-text-editor\" data-id=\"10e0806\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Mithilfe von rnorm() haben wir eine Liste mit 40 IQ-Werten erstellt, die einen Mittelwert von 30 und einen STD von 2 haben.<\/p>\n<p>Nun werden wir f\u00fcr 40 Sch\u00fcler nach dem Zufallsprinzip Werte f\u00fcr bestanden\/nicht bestanden als 0\/1 erstellen und sie in einen Datenrahmen einf\u00fcgen. Au\u00dferdem werden wir jeden von uns erstellten Wert mit einem IQ-Wert verkn\u00fcpfen, damit unser Datenrahmen vollst\u00e4ndig ist.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7e0a738 elementor-widget elementor-widget-code-highlight\" data-id=\"7e0a738\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp># Generate vector with pass and fail values of 40 students\r\nresult <- c(0, 0, 0, 1, 0, 0, 0, 0, 0, 1,\r\n1, 0, 0, 0, 1, 1, 0, 0, 1, 0,\r\n0, 0, 1, 0, 0, 1, 1, 0, 1, 1,\r\n1, 1, 1, 0, 1, 1, 1, 1, 0, 1)\r\n \r\n# Data Frame\r\ndf <- as.data.frame(cbind(IQ, result))\r\n \r\n# Print data frame\r\nprint(df)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4339800 elementor-widget elementor-widget-image\" data-id=\"4339800\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"300\" height=\"254\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/blog_iq_pass_table.png\" class=\"attachment-medium_large size-medium_large wp-image-33292\" alt=\"example table\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a6a4353 elementor-widget elementor-widget-text-editor\" data-id=\"a6a4353\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Lassen Sie uns nun ein Regressionsmodell auf der Grundlage unseres Datensatzes anlegen und eine Kurve erstellen, um zu sehen, wie das Regressionsmodell auf diesem Datensatz abschneidet. Wir k\u00f6nnen die Funktion glm() verwenden, um ein Regressionsmodell zu erstellen und zu trainieren, und die Funktion curve(), um die Kurve auf der Grundlage der Vorhersage zu zeichnen.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-774227f elementor-widget elementor-widget-code-highlight\" data-id=\"774227f\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp># Plotting IQ on x-axis and result on y-axis\r\nplot(IQ, result, xlab = \"IQ Level\",\r\nylab = \"Probability of Passing\")\r\n \r\n# Create a logistic model\r\ng = glm(result~IQ, family=binomial, df)\r\n \r\n# Create a curve based on prediction using the regression model\r\ncurve(predict(g, data.frame(IQ=x), type=\"resp\"), add=TRUE)\r\n \r\n# This Draws a set of points\r\n# Based on fit to the regression model\r\npoints(IQ, fitted(g), pch=30)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5a3aa23 elementor-widget elementor-widget-image\" data-id=\"5a3aa23\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"862\" height=\"550\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_curve.jpeg\" class=\"attachment-large size-large wp-image-33299\" alt=\"regression model as graph\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_curve.jpeg 862w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_curve-300x191.jpeg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_curve-768x490.jpeg 768w\" sizes=\"(max-width: 862px) 100vw, 862px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">regression model as graph<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e02ca0c elementor-widget elementor-widget-text-editor\" data-id=\"e02ca0c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wenn Sie die Statistiken des logistischen Regressionsmodells weiter \u00fcberpr\u00fcfen m\u00f6chten, k\u00f6nnen Sie dies mit der Funktion summary() von R (summary(g)) ausf\u00fchren.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f206022 elementor-widget elementor-widget-spacer\" data-id=\"f206022\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-0ed04f8 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"0ed04f8\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-1cb002e\" data-id=\"1cb002e\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-7aee867 elementor-widget elementor-widget-text-editor\" data-id=\"7aee867\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h2>Zeitreihenanalyse in R<\/h2>\n<p>Die Zeitreihenanalyse geh\u00f6rt zu den wichtigsten St\u00e4rken von R. Python ist zwar auch f\u00fcr die Zeitreihenanalyse bekannt, aber viele Experten sind der Meinung, dass R insgesamt eine bessere Anwendungsumgebung bietet. Das Zeitreihenanalyse-Paket ist sehr umfassend und das Beste, was man sich f\u00fcr Advanced Analytics mit R w\u00fcnschen kann.<\/p>\n<p>In diesem Artikel werden wir die folgenden Methoden der Zeitreihenanalyse behandeln:<\/p>\n<ul>\n<li>Naive Methode<\/li>\n<li>Exponentielle Gl\u00e4ttung<\/li>\n<li>BATS and TBATS<\/li>\n<\/ul>\n<p>Wir werden den in R vorhandenen Datensatz &#8222;Air Passengers&#8220; verwenden, um Modelle f\u00fcr einen Validierungssatz und Prognosen f\u00fcr die Dauer des Validierungssatzes zu erstellen und schlie\u00dflich den Mittleren Absoluten Prozentualen Fehler (<a href=\"https:\/\/www.statisticshowto.com\/mean-absolute-percentage-error-mape\/\">Mean Absolute Percentage Error<\/a>) ermitteln, um das Segment abzuschlie\u00dfen.<\/p>\n<p>Initialisieren wir also die Daten zusammen mit dem Trainings- und Validierungsfenster, um zu beginnen.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8f197c1 elementor-widget elementor-widget-code-highlight\" data-id=\"8f197c1\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>#  Time Series Forecast In R\r\ninstall.packages(\"forecast\")\r\ninstall.packages(\"MLmetrics\")\r\nlibrary(forecast)\r\nlibrary(MLmetrics)\r\ndata=AirPassengers\r\n#Create samples\r\ntraining=window(data, start = c(1949,1), end = c(1955,12))\r\nvalidation=window(data, start = c(1956,1))<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0dbe12a elementor-widget elementor-widget-text-editor\" data-id=\"0dbe12a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3><strong>1.\u00a0\u00a0\u00a0 <\/strong><strong>Naive Methode<\/strong><\/h3>\n<p>Wie der Name schon sagt, ist die naive Methode die einfachste aller Prognosemethoden. Sie basiert auf dem einfachen Prinzip &#8222;was wir heute beobachten, wird morgen die Prognose sein&#8220;. Die saisonale naive Methode ist eine etwas komplexere Variante, bei der der Beobachtungszeitraum dem Zeithorizont entspricht, mit dem wir arbeiten, z. B. Woche\/Monat\/Jahr.<\/p>\n<p>Lassen Sie uns mit einer saisonalen naiven Prognose fortfahren.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-381115d elementor-widget elementor-widget-code-highlight\" data-id=\"381115d\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>naive = snaive(training, h=length(validation))\r\nMAPE(naive$mean, validation) * 100<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-60ead3d elementor-widget elementor-widget-text-editor\" data-id=\"60ead3d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Hier sehen wir einen MAPE-Wert von 27,05 %. Lassen Sie uns nun dieses Ergebnis grafisch darstellen.<\/p>\n<p>MAPE-Wert =\u00a0<a href=\"https:\/\/www.statisticshowto.com\/mean-absolute-percentage-error-mape\/\">Mean Absolute Percentage Error<\/a><\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-439900e elementor-widget elementor-widget-code-highlight\" data-id=\"439900e\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>plot(data, col=\"blue\", xlab=\"Year\", ylab=\"Passengers\", main=\"Seasonal Naive Forecast\", type='l')\r\nlines(naive$mean, col=\"red\", lwd=2)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0f981b9 elementor-widget elementor-widget-image\" data-id=\"0f981b9\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"768\" height=\"490\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Seasonal_Naive_Forecast-768x490.jpeg\" class=\"attachment-medium_large size-medium_large wp-image-33314\" alt=\"plot forecast result naive forecast\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Seasonal_Naive_Forecast-768x490.jpeg 768w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Seasonal_Naive_Forecast-300x191.jpeg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_Seasonal_Naive_Forecast.jpeg 862w\" sizes=\"(max-width: 768px) 100vw, 768px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3c94826 elementor-widget elementor-widget-text-editor\" data-id=\"3c94826\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wie Sie sehen k\u00f6nnen, wird der Datensatz des letzten Jahres f\u00fcr den Validierungszeitraum einfach wiederholt. Kurzgesagt, das ist eine saisonale naive Prognose.<\/p><h3><strong>2.\u00a0\u00a0\u00a0 <\/strong><strong>Exponentielle Gl\u00e4ttung<\/strong><\/h3><p>Die exponentielle Gl\u00e4ttung bedeutet im Wesentlichen, dass die Beobachtungen weniger stark gewichtet werden. Wie bei gleitenden Durchschnitten erhalten die neuesten Beobachtungen ein h\u00f6heres Gewicht, w\u00e4hrend die \u00e4lteren allm\u00e4hlich an Gewicht verlieren.<\/p><p>Das Gute am Forecast-Paket ist, dass wir die optimalen exponentiellen Gl\u00e4ttungsmodelle finden k\u00f6nnen, indem wir die Gl\u00e4ttungsmethoden in die Struktur der Raummodelle einf\u00fcgen.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0171494 elementor-widget elementor-widget-code-highlight\" data-id=\"0171494\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>ets_model = ets(training, allow.multiplicative.trend = TRUE)\r\nsummary(ets_model)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-20d48d6 elementor-widget elementor-widget-image\" data-id=\"20d48d6\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"443\" height=\"338\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/summary-ets-model.png\" class=\"attachment-medium_large size-medium_large wp-image-33317\" alt=\"summary ets model\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/summary-ets-model.png 443w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/summary-ets-model-300x229.png 300w\" sizes=\"(max-width: 443px) 100vw, 443px\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">summary ets model<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-02ed5fb elementor-widget elementor-widget-text-editor\" data-id=\"02ed5fb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Nun werden wir das gesch\u00e4tzte optimale Gl\u00e4ttungsmodell auf unsere ETS-Prognose anwenden und sehen, wie es abschneidet.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f73c2d6 elementor-widget elementor-widget-code-highlight\" data-id=\"f73c2d6\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>ets_forecast = forecast(ets_model, h=length(validation))\r\nMAPE(ets_forecast$mean, validation) *100<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6a7da38 elementor-widget elementor-widget-text-editor\" data-id=\"6a7da38\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Als Ergebnis erhalten wir einen MAPE von 12,6 %. Es ist offensichtlich, dass der Aufw\u00e4rtstrend ein wenig gez\u00e4hlt wird.<\/p>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ebe5d07 elementor-widget elementor-widget-image\" data-id=\"ebe5d07\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"768\" height=\"490\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_ETS_Forecast-768x490.jpeg\" class=\"attachment-medium_large size-medium_large wp-image-33326\" alt=\"graph ETS optimized model\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_ETS_Forecast-768x490.jpeg 768w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_ETS_Forecast-300x191.jpeg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_ETS_Forecast.jpeg 862w\" sizes=\"(max-width: 768px) 100vw, 768px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-c283caf elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"c283caf\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-97d37ee\" data-id=\"97d37ee\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-798fb45 elementor-widget elementor-widget-spacer\" data-id=\"798fb45\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8db6e40 elementor-widget elementor-widget-text-editor\" data-id=\"8db6e40\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3><strong>3.&nbsp;&nbsp;&nbsp; <\/strong><strong>BATS and TBATS<\/strong><\/h3>\n<p>F\u00fcr Prozesse, die sehr komplexe Trends aufweisen, ist ETS oft nicht aussagekr\u00e4ftig genug. Manchmal gibt es sowohl eine w\u00f6chentliche als auch eine j\u00e4hrliche Saisonalit\u00e4t. In diesem Fall zeichnen sich BATS und TBATS aus, da sie mehrere Saisonalit\u00e4ten gleichzeitig verarbeiten k\u00f6nnen.<\/p>\n<p>Erstellen wir ein TBATS-Modell und machen wir eine Vorhersage.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6ce40b1 elementor-widget elementor-widget-code-highlight\" data-id=\"6ce40b1\" data-element_type=\"widget\" data-widget_type=\"code-highlight.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"prismjs-default copy-to-clipboard \">\n\t\t\t<pre data-line=\"\" class=\"highlight-height language-r \">\n\t\t\t\t<code readonly=\"true\" class=\"language-r\">\n\t\t\t\t\t<xmp>tbats_model = tbats(training)\r\ntbats_forecast = forecast(tbats_model, h=length(validation))\r\nMAPE(tbats_forecast$mean, validation) * 100\r\n\r\nplot(data, col=\"blue\", xlab=\"Year\", ylab=\"Passengers\", main=\"ETS Forecast\", type='l')\r\nlines(tbats_forecast$mean, col=\"red\", lwd=2)<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-543e787 elementor-widget elementor-widget-image\" data-id=\"543e787\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"768\" height=\"490\" src=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast-768x490.jpeg\" class=\"attachment-medium_large size-medium_large wp-image-33335\" alt=\"graph TBATS Forecast\" srcset=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast-768x490.jpeg 768w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast-300x191.jpeg 300w, https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg 862w\" sizes=\"(max-width: 768px) 100vw, 768px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0269892 elementor-widget elementor-widget-text-editor\" data-id=\"0269892\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wie Sie sehen k\u00f6nnen, wird mit dieser Methode ein MAPE von 12,9 % erreicht.<\/p><h2>FAZIT<\/h2><p>Ich habe in diesem Blog einen \u00dcberblick \u00fcber die Advanced Analytics in R gegeben. Neben den Darstellungsm\u00f6glichkeiten und verschiedenen Arten der Regressionsanalyse wurde auch die Zeitreihenanalyse in R behandelt. Zeitreihen sind jedoch ein ziemlich umfangreiches Thema und wir haben bisher nur an der Oberfl\u00e4che gekratzt. Im n\u00e4chsten Blog Beitrag werden wir uns deshalb intensiv damit zu besch\u00e4ftigen.\u00a0<\/p><p>Bis dahin, viel Spa\u00df mit R!<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-516f7c3a elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"516f7c3a\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-16 elementor-top-column elementor-element elementor-element-373032a7\" data-id=\"373032a7\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap\">\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-66 elementor-top-column elementor-element elementor-element-5e1e68cd\" data-id=\"5e1e68cd\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-333e9ca elementor-widget elementor-widget-spacer\" data-id=\"333e9ca\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4aa7a47e elementor-widget elementor-widget-text-editor\" data-id=\"4aa7a47e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Dieser Blog ist Teil einer Serie von Beitr\u00e4gen zur Business Analytics. Ich empfehle eine Business -Analytics-Platform aufzubauen. Ziel ist es, den Anwendern eine Plattform f\u00fcr Ihre Bed\u00fcrfnisse zu bieten, wo sie alle Daten und Analytics-Tool finden.<\/p><p>Bisher ver\u00f6ffentlicht:<\/p><ul><li>Teil 1:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/wie-business-analytics-erfolgreich-gestalten\/\">Wie Business Analytics erfolgreich gestalten?<\/a><\/li><li>Teil 2:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/business-analytics-vs-business-intelligence\/\">Business Analytics vs. Business Intelligence<\/a><\/li><li>Teil 3:\u00a0<a href=\"https:\/\/www.cubeserv.com\/sap-data-warehouse\/\">Was ist SAP Analytics? Das SAP Data Warehouse-Portfolio<\/a><\/li><li>Teil 4:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/sap-analytics\/\">SAP Analytics \u2013 Die Front End Produkte<\/a><\/li><li>Teil 5:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/data-plattform-ein-wichtiger-pfeiler-der-digitalen-transformation\/\">Data Plattform \u2013 Ein wichtiger Pfeiler der digitalen Transformation<\/a><\/li><li>Teil 6:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/aws-was-sie-wissen-muessen\/\">Auf dem Weg in die AWS<\/a><\/li><li>Teil 7:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/cloud-vorteile-verstehen\/\">Cloud \u2013 Fluch oder Segen?<\/a><\/li><li>Teil 8:\u00a0<a href=\"https:\/\/www.cubeserv.com\/blog\/warum-power-bi\/\">Mit Daten f\u00fchren \u2013 warum Power BI h\u00e4ufig zur Auswahl steht<\/a><\/li><li>Teil 9: <a href=\"https:\/\/www.cubeserv.com\/business-analytics-platform-data-governance\/\">Business Analytics Plattform: Agilit\u00e4t und Data Governance<\/a><\/li><li>Teil 10: <a href=\"https:\/\/www.cubeserv.com\/advanced-analytics-mit-r-und-sap\/\">Advanced Analytics mit SAP und R<\/a><\/li><li>Teil 11: <a href=\"https:\/\/www.cubeserv.com\/mit-sap-powerdesigner-datenmodellgestuetzt-entwickeln\/\">Mit SAP PowerDesigner datenmodellgest\u00fctzt entwickeln<\/a><\/li><li>Teil 12: <a href=\"https:\/\/www.cubeserv.com\/ibcs-konforme-charts-mit-tableau-und-graphomate\/\">IBCS konforme Charts mit Tableau und graphomate<\/a><\/li><li>Teil 13: <a href=\"https:\/\/www.cubeserv.com\/start-now-with-the-sap-data-warehouse-cloud\/\">Schnell neue Insights gewinnen: Ist jetzt der richtige Zeitpunkt, um mit der SAP Data Warehouse Cloud zu starten?\u00a0<\/a><\/li><li>Teil 14: <a href=\"https:\/\/www.cubeserv.com\/erste-schritte-mit-r\/\">Erste Schritte mit R<\/a><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-16 elementor-top-column elementor-element elementor-element-15a095f1\" data-id=\"15a095f1\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap\">\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics-Funktionen in R zu nutzen. Wir konzentrieren uns auf verschiedene Diagrammtypen, Regressionsanalysen mit R und Time Series Forcecasts mit R.<\/p>\n","protected":false},"author":13,"featured_media":33337,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[508,544],"tags":[45,555],"class_list":["post-33407","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-business-analytics","category-business-analytics-plattform","tag-business-analytics-platform","tag-r"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v23.9) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Advanced Analytics mit R: Eine \u00dcbersicht - CubeServ<\/title>\n<meta name=\"description\" content=\"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Advanced Analytics mit R: Eine \u00dcbersicht\" \/>\n<meta property=\"og:description\" content=\"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\" \/>\n<meta property=\"og:site_name\" content=\"CubeServ\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/CubeServ\" \/>\n<meta property=\"article:published_time\" content=\"2022-02-08T15:44:02+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-06-18T08:29:04+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg\" \/>\n\t<meta property=\"og:image:width\" content=\"862\" \/>\n\t<meta property=\"og:image:height\" content=\"550\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Adrian Bourcevet\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@CubeServ\" \/>\n<meta name=\"twitter:site\" content=\"@CubeServ\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Adrian Bourcevet\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"15 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\"},\"author\":{\"name\":\"Adrian Bourcevet\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/574e60369373adc3dfa856f4ba151e3d\"},\"headline\":\"Advanced Analytics mit R: Eine \u00dcbersicht\",\"datePublished\":\"2022-02-08T15:44:02+00:00\",\"dateModified\":\"2022-06-18T08:29:04+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\"},\"wordCount\":1691,\"publisher\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/#organization\"},\"image\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg\",\"keywords\":[\"Business Analytics Platform\",\"R\"],\"articleSection\":[\"Business Analytics\",\"Business Analytics Plattform\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\",\"url\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\",\"name\":\"Advanced Analytics mit R: Eine \u00dcbersicht - CubeServ\",\"isPartOf\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg\",\"datePublished\":\"2022-02-08T15:44:02+00:00\",\"dateModified\":\"2022-06-18T08:29:04+00:00\",\"description\":\"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage\",\"url\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg\",\"contentUrl\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg\",\"width\":862,\"height\":550,\"caption\":\"graph\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\/\/www.cubeserv.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Advanced Analytics mit R: Eine \u00dcbersicht\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#website\",\"url\":\"https:\/\/www.cubeserv.com\/de\/\",\"name\":\"CubeServ\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.cubeserv.com\/de\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#organization\",\"name\":\"CubeServ Group\",\"url\":\"https:\/\/www.cubeserv.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2020\/07\/CubeServ_Web_Logo-768x372-1.png\",\"contentUrl\":\"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2020\/07\/CubeServ_Web_Logo-768x372-1.png\",\"width\":768,\"height\":372,\"caption\":\"CubeServ Group\"},\"image\":{\"@id\":\"https:\/\/www.cubeserv.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/CubeServ\",\"https:\/\/x.com\/CubeServ\",\"https:\/\/www.instagram.com\/cubeservgroup\/\",\"https:\/\/www.linkedin.com\/company\/112961\/\",\"https:\/\/www.youtube.com\/user\/CubeServGroup\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/574e60369373adc3dfa856f4ba151e3d\",\"name\":\"Adrian Bourcevet\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/www.cubeserv.com\/wp-content\/plugins\/wp-user-avatar\/deprecated\/wp-user-avatar\/images\/wpua-96x96.png\",\"contentUrl\":\"https:\/\/www.cubeserv.com\/wp-content\/plugins\/wp-user-avatar\/deprecated\/wp-user-avatar\/images\/wpua-96x96.png\",\"caption\":\"Adrian Bourcevet\"},\"url\":\"https:\/\/www.cubeserv.com\/de\/author\/bourceveta\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Advanced Analytics mit R: Eine \u00dcbersicht - CubeServ","description":"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/","og_locale":"de_DE","og_type":"article","og_title":"Advanced Analytics mit R: Eine \u00dcbersicht","og_description":"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.","og_url":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/","og_site_name":"CubeServ","article_publisher":"https:\/\/www.facebook.com\/CubeServ","article_published_time":"2022-02-08T15:44:02+00:00","article_modified_time":"2022-06-18T08:29:04+00:00","og_image":[{"width":862,"height":550,"url":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg","type":"image\/jpeg"}],"author":"Adrian Bourcevet","twitter_card":"summary_large_image","twitter_creator":"@CubeServ","twitter_site":"@CubeServ","twitter_misc":{"Verfasst von":"Adrian Bourcevet","Gesch\u00e4tzte Lesezeit":"15 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#article","isPartOf":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/"},"author":{"name":"Adrian Bourcevet","@id":"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/574e60369373adc3dfa856f4ba151e3d"},"headline":"Advanced Analytics mit R: Eine \u00dcbersicht","datePublished":"2022-02-08T15:44:02+00:00","dateModified":"2022-06-18T08:29:04+00:00","mainEntityOfPage":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/"},"wordCount":1691,"publisher":{"@id":"https:\/\/www.cubeserv.com\/de\/#organization"},"image":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage"},"thumbnailUrl":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg","keywords":["Business Analytics Platform","R"],"articleSection":["Business Analytics","Business Analytics Plattform"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/","url":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/","name":"Advanced Analytics mit R: Eine \u00dcbersicht - CubeServ","isPartOf":{"@id":"https:\/\/www.cubeserv.com\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage"},"image":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage"},"thumbnailUrl":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg","datePublished":"2022-02-08T15:44:02+00:00","dateModified":"2022-06-18T08:29:04+00:00","description":"In diesem Blog zeigen wir, wie einfach es ist, Advanced Analytics Funktionen in R wie Regressionsanalysen mit R und Time Series Forecasts mit R zu nutzen.","breadcrumb":{"@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#primaryimage","url":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg","contentUrl":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2022\/02\/Rplot_tbats_forecast.jpeg","width":862,"height":550,"caption":"graph"},{"@type":"BreadcrumbList","@id":"https:\/\/www.cubeserv.com\/de\/advanced-analytics-with-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.cubeserv.com\/de\/"},{"@type":"ListItem","position":2,"name":"Advanced Analytics mit R: Eine \u00dcbersicht"}]},{"@type":"WebSite","@id":"https:\/\/www.cubeserv.com\/de\/#website","url":"https:\/\/www.cubeserv.com\/de\/","name":"CubeServ","description":"","publisher":{"@id":"https:\/\/www.cubeserv.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.cubeserv.com\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.cubeserv.com\/de\/#organization","name":"CubeServ Group","url":"https:\/\/www.cubeserv.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.cubeserv.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2020\/07\/CubeServ_Web_Logo-768x372-1.png","contentUrl":"https:\/\/www.cubeserv.com\/wp-content\/uploads\/2020\/07\/CubeServ_Web_Logo-768x372-1.png","width":768,"height":372,"caption":"CubeServ Group"},"image":{"@id":"https:\/\/www.cubeserv.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/CubeServ","https:\/\/x.com\/CubeServ","https:\/\/www.instagram.com\/cubeservgroup\/","https:\/\/www.linkedin.com\/company\/112961\/","https:\/\/www.youtube.com\/user\/CubeServGroup"]},{"@type":"Person","@id":"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/574e60369373adc3dfa856f4ba151e3d","name":"Adrian Bourcevet","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.cubeserv.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/www.cubeserv.com\/wp-content\/plugins\/wp-user-avatar\/deprecated\/wp-user-avatar\/images\/wpua-96x96.png","contentUrl":"https:\/\/www.cubeserv.com\/wp-content\/plugins\/wp-user-avatar\/deprecated\/wp-user-avatar\/images\/wpua-96x96.png","caption":"Adrian Bourcevet"},"url":"https:\/\/www.cubeserv.com\/de\/author\/bourceveta\/"}]}},"_links":{"self":[{"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/posts\/33407","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/users\/13"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/comments?post=33407"}],"version-history":[{"count":0,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/posts\/33407\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/media\/33337"}],"wp:attachment":[{"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/media?parent=33407"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/categories?post=33407"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cubeserv.com\/de\/wp-json\/wp\/v2\/tags?post=33407"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}