1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Supervised Learning in R: Regression
Connected

Cvičení

Vizualizace predikcí půjčování kol

V předchozím cvičení jsi vizualizoval/a predikce modelu pro půjčování kol pomocí standardního bodového grafu „skutečné hodnoty vs. predikce". Protože data o půjčování kol jsou časová řada, může tě zajímat, jak si model vede v závislosti na čase. V tomto cvičení porovnáš predikce se skutečnými počty půjčení po hodinách za prvních 14 dní srpna.

Pro vytvoření grafu použiješ funkci tidyr::pivot_longer() (docs), která sloučí predikované i skutečné hodnoty z bikesAugust do jediného sloupce. Funkce pivot_longer() přijímá tyto argumenty:

  • „Široký" datový rámec, který má být převeden (implicitní v rouře)
  • Názvy sloupců, které mají být sloučeny do jednoho sloupce (klíčové slovo "cols").
  • Název klíčového sloupce, který bude vytvořen – obsahuje názvy sloučených sloupců (klíčové slovo "names_to").
  • Název hodnotového sloupce, který bude vytvořen – obsahuje hodnoty ze sloučených sloupců (klíčové slovo "values_to").

Pivotovaný datový rámec použiješ k porovnání skutečných a predikovaných počtů půjčení jako funkce času. Časový index instant počítá počet pozorování od začátku sběru dat. Ukázkový kód převede hodnoty instant na denní jednotky začínající od 0.

Dataový rámec bikesAugust s predikcemi (bikesAugust$pred) je předem načtený.

Pokyny

100 XP
  • Doplň chybějící části kódu tak, aby graf zobrazoval predikce i skutečné počty půjčení po hodinách za prvních 14 dní srpna.
    • Převeď instant na denní jednotky místo hodinových.
    • Použij pivot_longer() na sloupce cnt a pred a slouč je do sloupce value s klíčem valuetype.
    • Pomocí filter() vyber první dva týdny srpna.
    • Vykresli value jako funkci instant (ve dnech).

Dokáže model zachytit obecné časové vzory v půjčování kol?