Tudo estará conectado à nuvem e aos dados … Tudo isso será mediado pelo software – Satya Nadella
Introdução:
ver os resultados do modelo, ou tentando se ajustar ao modelo, elementos visuais facilitam a interpretação do resultado.
Convencionalmente, As imagens são geradas a partir de um plug-in ou biblioteca e são representadas em aplicativos da web que permitem ao usuário final interagir e interpretar os resultados. Essas imagens podem ser estáticas ou parcialmente interativas em silos.
Então, Existe uma maneira de reunir o melhor da visualização de dados e das tecnologias da web em um só lugar? sim, é possível e esses aplicativos são chamados de Aplicativos de Dados.
fonte: brilhante.rstudio.com
Os aplicativos de dados tornam mais fácil para os especialistas no assunto, tomadores de decisões de negócios ou consumidores interagem com os dados, grandes e pequenos.
Eles diferem dos relatórios de BI estáticos porque oferecem interação ad hoc por meio de uma interface intuitiva adaptada ao caso de uso específico.. También se diferencian de la analíticaAnalytics refere-se ao processo de coleta, Meça e analise dados para obter insights valiosos que facilitam a tomada de decisões. Em vários campos, como negócio, Saúde e esporte, A análise pode identificar padrões e tendências, Otimize processos e melhore resultados. O uso de ferramentas avançadas e técnicas estatísticas é essencial para transformar dados em conhecimento aplicável e estratégico.... automatizada impulsada por el aprendizaje automático, uma vez que são projetados para o “humano no ciclo” em oposição à tomada de decisão automatizada.
Isso os torna perfeitos para análises que requerem uma combinação de dados e intuição.. Esses aplicativos facilitam a exploração e pesquisa de dados. A investigação de dados ocorre em reação a um evento específico ou anomalia.
O usuário combina dados de eventos com outras fontes de dados e dados históricos para identificar a causa raiz e agir. Isso leva a centenas ou milhares de pequenos insights que fazem uma grande diferença juntos..
Existem várias bibliotecas em R (Brilhante) como em python (Plotly Dash, Streamlit, Aceno, etc.) para criar aplicativos de dados.
Neste artigo, vamos explorar como o R brilhante pode ser usado para construir um aplicativo que permite ao usuário dividir o conjunto de dados no treinamento / Experimente, construir vários modelos, gerar métricas de modelo, visualize o resultado e tome a decisão na hora.
No final deste artigo, vamos criar o seguinte aplicativo. Observe as diferentes guias na página inicial.
Iniciando:
Nós vamos usar mtcars conjunto de dados para este aplicativo. Depois de testarmos e garantirmos que a interface do usuário e as funcionalidades do servidor funcionem conforme o esperado, podemos alterar o conjunto de dados e o aplicativo deve funcionar tão bem com o mínimo de processamento de dados, se necessário.
Primeiro, vamos instalar o brilhante e carregá-lo. O aplicativo Shiny tem principalmente dois arquivos, uma interface de usuário e um servidor:
install.packages("brilhante")
biblioteca("brilhante")Interface de usuário (UI):
É aqui que você define seu design: marcadoreso "marcadores" son herramientas lingüísticas que se utilizan para guiar la estructura y el flujo de un texto. Su función principal es señalar relaciones entre ideas, como la adición, contraste o causa y efecto. Ejemplos comunes incluyen "O que mais", "porém" e "portanto". Estos elementos no solo mejoran la cohesión del escrito, sino que también facilitan la comprensión por parte del lector, haciendo el contenido más accesible y claro.... de posición que se completarán en el tiempo de ejecución a partir de los datos / gráficos processados pelo servidor.
Servidor:
É aqui que você escreve a maior parte da lógica, discussão de dados, o layout, etc. A maior parte do trabalho pesado é feito aqui.
Vamos adicionar os dois campos suspensos, um para as variáveis independentes e o outro para selecionar o objetivo.
dashboardBody(
fluidPage(
caixa(
selectInput(
"SelectX",
rótulo = "Selecione as variáveis:",
escolhas = nomes(mtcars),
múltiplo = VERDADEIRO,
selecionados = nomes(mtcars)
),
solidHeader = TRUE,
largura = "3",
status = "primário",
título = "Variável X"
),
caixa(
selectInput("Selecione Y", rótulo = "Selecione a variável para prever:", escolhas = nomes(mtcars)),
solidHeader = TRUE,
largura = "3",
status = "primário",
título = "E variável"
)A seguir, agregaremos un control deslizante en el painelUm painel é um grupo de especialistas que se reúne para discutir e analisar um tópico específico. Esses fóruns são comuns em conferências, Seminários e debates públicos, onde os participantes compartilham seus conhecimentos e perspectivas. Os painéis podem abordar uma variedade de áreas, Da ciência à política, e seu objetivo é incentivar a troca de ideias e a reflexão crítica entre os participantes.... lateral para dividir el conjunto de datos para entrenar y probar según la selección del usuario.
dashboardSidebar(
sliderInput(
"Slider1",
rótulo = h3("Divisão de trem / teste %"),
min = 0,
max = 100,
valor = 75
),
textOutput("cntTrain"),
textOutput("cntTest"),Agora, vamos criar várias abas, cada um dos quais tem uma funcionalidade específica conforme detalhado abaixo:
Dados – Para visualizar dados brutos em formato tabular,
Resumo de dados – Veja as estatísticas básicas do nosso conjunto de dados.
Parcelas – Neste caso, vamos criar apenas um gráfico de correlação, mas gráficos mais relevantes podem ser adicionados se necessário.
Modelo – Construir um modelo de regressão linear com base na seleção do usuário de variáveis X, Y y divisiones de TreinamentoO treinamento é um processo sistemático projetado para melhorar as habilidades, Conhecimento ou habilidades físicas. É aplicado em várias áreas, como esporte, Educação e desenvolvimento profissional. Um programa de treinamento eficaz inclui planejamento de metas, prática regular e avaliação do progresso. A adaptação às necessidades individuais e a motivação são fatores-chave para alcançar resultados bem-sucedidos e sustentáveis em qualquer disciplina.... / prova
Predição – Prever no conjunto de teste.
fluidPage(
tabBox(
id = "tabset1",
altura = "1000px",
largura = 12,
tabPanel("Dados",
caixa(withSpinner(DTOutput(
"Dados"
)), largura = 12)),
tabPanel(
"Resumo de Dados",
caixa(withSpinner(verbatimTextOutput("Summ")), largura = 6),
caixa(withSpinner(verbatimTextOutput("Summ_old")), largura = 6)
),
tabPanel("Enredos",
caixa(withSpinner(plotOutput(
"Corr"
)), largura = 12)),
#caixa(withSpinner(verbatimTextOutput("CorrMatrix")), largura = 12),
tabPanel(
"Modelo",
caixa(
withSpinner(verbatimTextOutput("Modelo")),
largura = 6,
título = "Resumo do modelo"
),
caixa(
withSpinner(verbatimTextOutput("ImpVar")),
largura = 5,
título = "Importância Variável"
)
),
#textOutput("correlação_precisão"),
tabPanel(
"Predição",
caixa(withSpinner(plotOutput("Predição")), largura = 6, título = "Linha de melhor ajuste"),
caixa(withSpinner(plotOutput("residualPlots")), largura = 6, título = "Plotagens de diagnóstico")
)
)Agora que criamos nossa interface de usuário, continuaremos a implementar a lógica do servidor para completar a interface do usuário com base na seleção do usuário: interatividade.
Preenchendo a guia de dados: Usamos o quadro de dados mtcars e salvamos em um objeto por nome InputDataset e preencha a IU usando renderDT () Função.
Observe o uso de colchetes no final do objeto InputDataset (). Isso é feito porque é um objeto reativo, o que significa que qualquer mudança neste objeto terá um impacto em outros lugares onde ele é referenciado no aplicativo.
InputDataset <- reativo({
mtcars
})
output $ Data <- renderDT(InputDataset())Em linhas semelhantes, Você pode usar resumo() e correlação função para completar o resumo e correlação dos dados enredo aba. Você pode acessar o código do lado do servidor a partir de GitHub
Agora que vimos como os dados são preenchidos, vamos construir um modelo de regressão linear e também ver a importância das variáveis.
f <- reativo({
as.formula(colar(entrada $ SelectY, "~."))
})
Linear_Model <- reativo({
lm(f(), data = trainingData())
})
output $ Model <- renderPrint(resumo(Linear_Model()))
saída $ Model_new <-
renderPrint(
observador de estrelas(
Linear_Model(),
tipo = "texto",
título = "Resultados do modelo",
dígitos = 1,
out = "table1.txt"
)
)
tmpImp <- reativo({
#varImp(Linear_Model())
criança levada <- as.data.frame(varImp(Linear_Model()))
criança levada <- quadro de dados(total = imp $ Geral,
nomes = nomes de domínio(criança levada))
criança levada[pedido(imp $ global, decrescente = T),]
})
output $ ImpVar <- renderPrint(tmpImp())Vamos implementar a lógica para o predição guia onde usaremos nosso modelo da seção anterior para prever o conjunto de dados de teste e também gerar gráficos residuais.
current_preds <-
reativo({
quadro de dados(cbind(current = tmp(), predito = preço_predito()))
})
Ajustar <-
reativo({
(
enredo(
current_preds()$atual,
current_preds()$previsto,
pch = 16,
cex = 1.3,
col = "azul",
main = "Linha de melhor ajuste",
xlab = "Real",
ylab = "Previsto"
)
)
})
output $ Prediction <- renderPlot(Ajustar())
output $ residualPlots <- renderPlot({
Através dos(mfrow = c(2, 2)) # Altere o layout do painel para 2 x 2
enredo(Linear_Model())
Através dos(mfrow = c(1, 1)) # Voltar para 1 x 1
})
Você pode acessar o código completo em GitHub. Depois de executar seu aplicativo, você verá a página inicial carregada. Você pode navegar para várias seções, faça alterações nas variáveis, criar modelos e também prever testes em tempo real seguindo as etapas abaixo.
Paso 1:
Selecione a divisão de dados do trem / teste preferido no painel esquerdo.
Paso 2:
Selecione as variáveis X e Y nos menus suspensos.
Paso 3:
Navegue até as respectivas guias para ver o resultado:
conclusão:
O objetivo do blog era construir um aplicativo de dados usando R Shiny. Esta foi uma implementação muito básica com todos os controles integrados.
Só para ficar um pouco mais interessante, Eu escolhi trazer um aspecto de construção de modelo para o aplicativo para mostrar como aplicativos baseados em modelo podem ser construídos em nenhum momento.
Junto com os elementos brilhantes, você pode usar elementos HTML para definir o estilo de seu conteúdo em seu aplicativo.
Boa aprendizagem !!!!
Você pode se conectar comigo – Linkedin
Você pode encontrar o código para referência: Github
Referências
https://brilhante.rstudio.com/tutorial/
https://unsplash.com/
A mídia mostrada neste artigo não é propriedade da DataPeaker e é usada a critério do autor.
