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.

Toto cvičení je součástí kurzu

Supervised Learning in R: Regression

Zobrazit kurz

Pokyny k cvičení

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?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot predictions and cnt by date/time
bikesAugust %>% 
  # set start to 0, convert unit to days
  mutate(instant = (instant - min(instant))/24) %>%  
  # collect cnt and pred into a value column
  pivot_longer(cols = c('cnt', 'pred'), names_to = '___', values_to = '___') %>%  
  filter(instant < 14) %>% # restric to first 14 days
  # plot value by instant
  ggplot(aes(x = ___, y = ___, color = valuetype, linetype = valuetype)) + 
  geom_point() + 
  geom_line() + 
  scale_x_continuous("Day", breaks = 0:14, labels = 0:14) + 
  scale_color_brewer(palette = "Dark2") + 
  ggtitle("Predicted August bike rentals, Quasipoisson model")

Upravit a spustit kód