Vizualizace modelu xgboost pro půjčování kol

Teď už znáš tři různé způsoby, jak modelovat data o půjčování kol. Na tomto příkladu sis ověřil/a, že model gradient boosting dosáhl nejmenšího RMSE. Na závěr kurzu porovnejme jeho predikce s předchozími dvěma modely v závislosti na čase.

Dokončením tohoto cvičení završíš celý kurz. Gratulujeme! Teď máš k dispozici nástroje pro různé přístupy k regresním úlohám.

Dataový rámec bikesAugust s predikcemi je předem načten. K dispozici jsou také grafy quasipoisson_plot a randomforest_plot.

Toto cvičení je součástí kurzu

Supervised Learning in R: Regression

Zobrazit kurz

Pokyny k cvičení

Vypiš quasipoisson_plot a zkontroluj chování quasipoisson modelu.
Vypiš randomforest_plot a zkontroluj chování modelu náhodného lesa.
Doplň chybějící části kódu tak, aby graf zobrazil predikce gradient boostingu a skutečné počty jízd po hodinách pro prvních 14 dní srpna.
- Pomocí pivot_longer() slouč názvy sloupců cnt a gbm do sloupce value s klíčem valuetype.
- Vykresli value jako funkci instant (den).

Jak si vede model gradient boosting v porovnání s předchozími modely?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print quasipoisson_plot
___

# Print randomforest_plot
___

# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>% 
  mutate(instant = (instant - min(instant))/24) %>%  # set start to 0, convert unit to days
  filter(instant < 14) %>% # first two weeks
  pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
  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, Gradient Boosting model")

Upravit a spustit kód