LoslegenKostenlos starten

Leihfahrräder mit dem Random-Forest-Modell vorhersagen

In dieser Übung verwendest du das Modell aus der vorherigen Aufgabe, um die Fahrradleihe im August vorherzusagen.

Die Funktion predict() (Docs) für ein ranger-Modell gibt eine Liste zurück. Eines der Elemente dieser Liste ist predictions, ein Vektor mit vorhergesagten Werten. Du kannst predictions mit der $-Schreibweise für benannte Listenelemente abrufen:

predict(model, data)$predictions

Das Modell bike_model_rf und der Datensatz bikesAugust (zur Auswertung) wurden bereits geladen.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Rufe predict() auf bikesAugust auf, um die Anzahl der im August ausgeliehenen Fahrräder (cnt) vorherzusagen. Füge die Vorhersagen als Spalte pred zu bikesAugust hinzu.
  • Fülle die Lücken aus, um den Root Mean Squared Error der Vorhersagen zu berechnen.
    • Das Poisson-Modell, das du für diese Daten gebaut hast, ergab eine RMSE von etwa 112,6. Wie schneidet dieses Modell im Vergleich ab?
  • Fülle die Lücken aus, um die tatsächlichen Ausleihzahlen (cnt) gegen die Vorhersagen (pred auf der x-Achse) zu plotten.

Interaktive praktische Übung

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

# bikesAugust is available
str(bikesAugust)

# bike_model_rf is available
bike_model_rf

# Make predictions on the August data
bikesAugust$pred <- ___(___, ___)$___

# Calculate the RMSE of the predictions
bikesAugust %>% 
  mutate(residual = ___)  %>% # calculate the residual
  summarize(rmse  = ___)      # calculate rmse

# Plot actual outcome vs predictions (predictions on x-axis)
ggplot(bikesAugust, aes(x = ___, y = ___)) + 
  geom_point() + 
  geom_abline()
Code bearbeiten und ausführen