Renta_Bicis

#Modelo Predictivo para el 2013 en base a la base de datos del 2012

#Importar la base de datos

#file.choose()
#bd<-read.csv("C:\\Users\\User-1\\Downloads\\rentadebicis.csv")

#Entender la base de datos

#summary(bd)

#COMENTARIOS #1. ¿Por qué la variable de dia llega hasta 19 y no hasya el 31? #2. ¿Qué significan los números de las estaciones?1 es Primavera, 2 Verano, 3 otroño y 4 Invierno #3. ¿Qué día inicia la semana? 1 es Domingo

#NOTAS #0 ES NO Y 1 ES SI

#plot(bd$temperatura, bd$rentas_totales, main="Influencia de la Temperatura (°c) sobre las rentas totales (Qty)",xlab="Temperatura",ylab="Rentas Totales")

#Generar regresión (modelo lineal) #Donde nos dan todos los valores que tienen relacion con las rentas locales

#regresion<- lm(rentas_totales ~ hora + dia + mes + año + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento,  data=bd)
#summary(regresion)

#Evaluar regresion ajustada #Se elimina todas las celadas que no obtuvieron estrella, los cuales significa que no tiene relacion con la renta

#regresion_ajustada<- lm(rentas_totales ~ hora + mes + año + sensacion_termica + humedad + velocidad_del_viento,  data=bd)
#summary(regresion_ajustada)

#COnstruir un modelo de prediccion

#datos_nuevos<- data.frame(hora=12, mes=1:12, año=2013, sensacion_termica=24, humedad=62, velocidad_del_viento=13)
#predict(regresion_ajustada,datos_nuevos)