Mit dem Soybean-Modell auf Testdaten vorhersagen

In dieser Übung wendest du die Soybean-Modelle aus der vorherigen Aufgabe (model.lin und model.gam, bereits geladen) auf neue Daten an: soybean_test.

Diese Übung ist Teil des Kurses

<Kurs>Überwachtes Lernen in R: Regression</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle eine Spalte soybean_test$pred.lin mit Vorhersagen aus dem linearen Modell model.lin.
Erstelle eine Spalte soybean_test$pred.gam mit Vorhersagen aus dem GAM-Modell model.gam.
- Für GAM-Modelle gibt die predict()-Methode eine Matrix zurück, daher mit as.numeric() die Matrix in einen Vektor umwandeln.
Ergänze die Lücken, um mit pivot_longer() die Vorhersagespalten in eine einzelne Wert-Spalte pred mit der Schlüsselspalte modeltype zu überführen. Nenne den langen Data Frame soybean_long.
Berechne und vergleiche die RMSE beider Modelle.
- Welches Modell schneidet besser ab?
Führe den Code aus, um die Vorhersagen jedes Modells mit den tatsächlichen durchschnittlichen Blattgewichten zu vergleichen.
- Ein Streudiagramm von weight in Abhängigkeit von Time.
- Punkt-und-Linien-Diagramme der Vorhersagen (pred) in Abhängigkeit von Time.
- Beachte: Das lineare Modell sagt manchmal negative Gewichte vorher! Tut das GAM-Modell das auch?

Interaktive praktische Übung

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

# soybean_test is available
summary(soybean_test)

# Get predictions from linear model
soybean_test$pred.lin <- ___(___, newdata = ___)

# Get predictions from gam model
soybean_test$pred.gam <- ___(___(___, newdata = ___))

# Pivot the predictions into a "long" dataset
soybean_long <- soybean_test %>%
  pivot_longer(cols = c(___, ___), names_to = ___, values_to = ___)

# Calculate the rmse
soybean_long %>%
  mutate(residual = weight - pred) %>%     # residuals
  group_by(modeltype) %>%                  # group by modeltype
  summarize(rmse = ___(___(___))) # calculate the RMSE

# Compare the predictions against actual weights on the test data
soybean_long %>%
  ggplot(aes(x = Time)) +                          # the column for the x axis
  geom_point(aes(y = weight)) +                    # the y-column for the scatterplot
  geom_point(aes(y = pred, color = modeltype)) +   # the y-column for the point-and-line plot
  geom_line(aes(y = pred, color = modeltype, linetype = modeltype)) + # the y-column for the point-and-line plot
  scale_color_brewer(palette = "Dark2")

Code bearbeiten und ausführen