In-Sample-RMSE für lineare Regression auf diamonds

Wie du im Video gesehen hast, ist in diesem Kurs der Datensatz diamonds enthalten, ein klassischer Datensatz aus dem Paket ggplot2. Der Datensatz enthält physische Merkmale von Diamanten sowie den erzielten Verkaufspreis. Eine interessante Modellierungsaufgabe ist es, den Diamantpreis anhand seiner Merkmale vorherzusagen, zum Beispiel mit einer linearen Regression.

Zur Erinnerung: Um eine lineare Regression zu schätzen, verwendest du die Funktion lm() im folgenden Format:

mod <- lm(y ~ x, my_data)

Um mit mod Vorhersagen auf den Originaldaten zu machen, rufst du die Funktion predict() auf:

pred <- predict(mod, my_data)

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit caret in R</Kurs>

Kurs ansehen

Übungsanweisungen

Schätze ein lineares Modell auf dem Datensatz diamonds, das price mit allen anderen Variablen als Prädiktoren vorhersagt (also price ~ .). Speichere das Ergebnis in model.
Erstelle mit model Vorhersagen auf dem vollständigen Originaldatensatz und speichere das Ergebnis in p.
Berechne die Fehler mit der Formel \(errors = predicted - actual\). Speichere das Ergebnis in error.
Berechne die RMSE mit der Formel aus dem Video und gib sie in der Konsole aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Fit lm model: model


# Predict on full data: p


# Compute errors: error


# Calculate RMSE

Code bearbeiten und ausführen