Vizualizace predikcí modelu náhodného lesa pro data o kolech

V předchozím cvičení jsi zjistil/a, že model náhodného lesa dosáhl na srpnových datech lepšího výsledku než model quasipoisson, a to z hlediska RMSE.

V tomto cvičení vizualizuješ srpnové predikce modelu náhodného lesa jako funkci času. K porovnání máš k dispozici odpovídající graf z modelu quasipoisson, který jsi sestavil/a v předchozím cvičení.

Připomeň si, že model quasipoisson sice zachytil vzorec pomalých a vytížených hodin během dne, ale poněkud podcenil špičkovou poptávku. Teď se podíváš, jak si v tomto srovnání vede model náhodného lesa.

Dataframe bikesAugust (s predikcemi) máš k dispozici. Graf quasipoisson_plot zobrazující predikce modelu quasipoisson jako funkci času je zobrazen.

Toto cvičení je součástí kurzu

Supervised Learning in R: Regression

Zobrazit kurz

Pokyny k cvičení

Doplň chybějící části kódu tak, aby graf zobrazoval predikce a skutečné počty podle hodiny pro prvních 14 dní srpna.
- Pomocí pivot_longer převeď sloupce cnt a pred do sloupce value s klíčem valuetype.
- Vykresli value jako funkci instant (den).

Jak si model náhodného lesa stojí ve srovnání s modelem quasipoisson?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

first_two_weeks <- bikesAugust %>%
  mutate(rf = bike_outcomesAugust$rf) %>%
  # Set start to 0, convert unit to days
  mutate(instant = (instant - min(instant)) / 24) %>% 
  # Filter for rows in the first two weeks
  filter(instant < 14) 
  # collect cnt and pred into a column named value with key valuetype
  pivot_longer(c('cnt', 'rf'), names_to = '___', values_to = '___')

# Plot predictions and cnt by date/time 
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, Random Forest plot")

Upravit a spustit kód