Spam en !!!
Laten we naar een duidelijkere indicator van spam kijken: uitroeptekens. exclaim_mess bevat het aantal uitroeptekens in elk bericht. Gebruik samenvattende statistieken en visualisaties om te zien of er een relatie is tussen deze variabele en of een bericht spam is of niet.
Experimenteer met verschillende soorten grafieken totdat je de meest informatieve vindt. Denk aan wat je al hebt gezien:
- Boxplots naast elkaar
- Gefacetteerde histogrammen
- Over elkaar gelegde dichtheidsplots
Deze oefening maakt deel uit van de cursus
Exploratory data-analyse in R
Oefeninstructies
De gegevensset email is nog steeds beschikbaar in je workspace.
- Bereken geschikte maten voor het midden en de spreiding van
exclaim_messvoor zowel spam als niet-spam metgroup_by()ensummarize(). - Maak een passende grafiek om het verband tussen dezelfde twee variabelen te visualiseren, en voeg zo nodig een log-transformatie toe.
- Als je besluit een log-transformatie te gebruiken, onthoud dan dat
log(0)-Infis in R, en dat is niet erg bruikbaar! Je kunt dit omzeilen door een klein getal (zoals0.01) op te tellen bij de grootheid binnen delog()-functie. Zo wordt je waarde nooit nul. Deze kleine verschuiving naar rechts beïnvloedt je resultaten niet.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Compute center and spread for exclaim_mess by spam
# Create plot for spam and exclaim_mess