Vorhersagen des Random-Forest-Fahrradmodells visualisieren

In der vorherigen Übung hast du gesehen, dass das Random-Forest-Fahrradmodell bei den August-Daten in Bezug auf die RMSE besser abgeschnitten hat als das Quasipoisson-Modell.

In dieser Übung visualisierst du die August-Vorhersagen des Random-Forest-Modells in Abhängigkeit von der Zeit. Der entsprechende Plot aus dem Quasipoisson-Modell, den du in einer früheren Übung erstellt hast, steht dir zum Vergleich zur Verfügung.

Erinnere dich: Das Quasipoisson-Modell hat überwiegend das Muster aus ruhigen und geschäftigen Stunden im Tagesverlauf erkannt, aber die Spitzenlasten etwas unterschätzt. Du möchtest sehen, wie sich das Random-Forest-Modell dagegen schlägt.

Der Data Frame bikesAugust (mit Vorhersagen) wurde dir bereitgestellt. Der Plot quasipoisson_plot der Quasipoisson-Modellvorhersagen in Abhängigkeit von der Zeit wird angezeigt.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

Fülle die Lücken aus, um die Vorhersagen und die tatsächlichen Zählungen stundenweise für die ersten 14 Tage im August zu plotten.
- Verwende pivot_longer, um die Spalten cnt und pred in eine Spalte namens value mit einem Schlüssel namens valuetype umzuwandeln.
- Plotte value als Funktion von instant (Tag).

Wie schneidet das Random-Forest-Modell ab?

Interaktive praktische Übung

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

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")

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

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

Mittlere SchwierigkeitSchwierigkeitsgrad

4.7+

Kurs kostenlos starten

In diesem Kapitel führen wir das Konzept der Regression aus Sicht des Machine Learnings ein. Wir stellen die grundlegende Regressionsmethode vor: die lineare Regression. Du lernst, wie man ein lineares Regressionsmodell anpasst und daraus Vorhersagen ableitet.

Exercise 1: Willkommen und Einführung Exercise 2: Erkenne die Regressionsaufgaben Exercise 3: Lineare Regression – die grundlegende Methode Exercise 4: Programmiere eine einfache Regression mit einer Variablen Exercise 5: Ein Modell untersuchen Exercise 6: Vorhersagen nach dem Fitten eines Modells Exercise 7: Vorhersagen mit dem Arbeitslosenmodell Exercise 8: Multivariate lineare Regression (Teil 1)Exercise 9: Multivariate lineare Regression (Teil 2)Exercise 10: Lineare Regression zusammenfassen

Nachdem wir gelernt haben, einfache lineare Regressionsmodelle zu fitten, beschäftigen wir uns nun damit, wie gut unsere Modelle abschneiden. Wir betrachten die grafische Bewertung eines Modells und zwei grundlegende Metriken für Regressionsmodelle. Außerdem lernst du, wie man ein Modell so trainiert, dass es in der Praxis gut performt – nicht nur auf den Trainingsdaten. Auch wenn wir diese Techniken anhand der linearen Regression demonstrieren, gelten alle Konzepte für Modelle, die mit beliebigen Regressionsalgorithmen gefittet werden.

Exercise 1: Ein Modell grafisch bewerten Exercise 2: Beurteile das Arbeitslosenmodell grafisch Exercise 3: Die Gain-Curve zur Bewertung des Arbeitslosenmodells Exercise 4: Root Mean Squared Error (RMSE)Exercise 5: RMSE berechnen Exercise 6: Bestimmtheitsmaß (R²)Exercise 7: Bestimme R-squared Exercise 8: Korrelation und R-Quadrat Exercise 9: Ein Modell richtig trainieren Exercise 10: Zufälligen Test/Train-Split erzeugen Exercise 11: Ein Modell mit Train-/Test-Split trainieren Exercise 12: Ein Modell mit Test-/Train-Split evaluieren Exercise 13: Erstelle einen Cross-Validation-Plan Exercise 14: Ein Modellierungsverfahren mit n-facher Cross-Validation bewerten

Bevor wir zu fortgeschritteneren Regressionsverfahren übergehen, betrachten wir weitere Modellierungsaspekte: das Modellieren mit kategorialen Eingaben, Interaktionen zwischen Variablen und Situationen, in denen du Eingaben und Ausgaben vor dem Modellieren transformieren solltest. Obwohl anspruchsvollere Regressionsverfahren einiges davon automatisch abdecken, ist es wichtig, diese Punkte zu kennen, um zu verstehen, welche Methoden welche Themen gut handhaben – und welche Aspekte du weiterhin selbst steuern musst.

Exercise 1: Kategorische Eingaben Exercise 2: Die Struktur kategorialer Eingaben untersuchen Exercise 3: Modellierung mit kategorialen Eingaben Exercise 4: Interaktionen Exercise 5: Eine Interaktion modellieren Exercise 6: Interaktion modellieren (2)Exercise 7: Die Zielvariable vor dem Modellieren transformieren Exercise 8: Relativer Fehler Exercise 9: Modellierung eines logarithmiert transformierten Geld-Outputs Exercise 10: Vergleich von RMSE und Root-Mean-Squared Relativfehler Exercise 11: Eingaben vor dem Modellieren transformieren Exercise 12: Eingabetransformationen: der „Hockeyschläger“Exercise 13: Transformationen der Eingaben: der „Hockeyschläger“ (2)

Nachdem wir lineare Modelle sicher beherrschen, wenden wir uns Techniken zu, die Situationen modellieren, in denen die Linearitätsannahmen nicht gelten. Dazu gehören das Vorhersagen von Wahrscheinlichkeiten und Anteilen (Werte zwischen 0 und 1), das Vorhersagen von Zählwerten (nichtnegative ganze Zahlen und zugehörige Raten) sowie Antworten, die eine nichtlineare, aber additive Beziehung zu den Eingaben haben. Diese Algorithmen sind Variationen des klassischen linearen Modells.

Exercise 1: Logistische Regression zur Vorhersage von Wahrscheinlichkeiten Exercise 2: Modell zur Überlebenswahrscheinlichkeit von Spatzen fitten Exercise 3: Überleben von Spatzen vorhersagen Exercise 4: Poisson- und Quasi-Poisson-Regression zur Vorhersage von Zählwerten Exercise 5: Poisson oder Quasipoisson Exercise 6: Ein Modell zur Vorhersage von Fahrradverleih-Zahlen fitten Exercise 7: Fahrrad-Ausleihen auf neuen Daten vorhersagen Exercise 8: Visualisiere die Vorhersagen der Fahrradvermietung Exercise 9: GAM zum Lernen nichtlinearer Transformationen Exercise 10: Formeln für GAM-Modelle schreiben Exercise 11: Formeln für GAM-Modelle schreiben (2)Exercise 12: Sojabohnenwachstum mit GAM modellieren Exercise 13: Mit dem Soybean-Modell auf Testdaten vorhersagen

In diesem Kapitel betrachten wir Modellierungsalgorithmen, die weder Linearität noch Additivität voraussetzen und die begrenzte Arten von Interaktionen zwischen Eingabevariablen lernen können. Diese Algorithmen sind baumbasierte Methoden, die funktionieren, indem sie Ensembles von Entscheidungsbäumen kombinieren, die aus den Trainingsdaten gelernt werden.

Exercise 1: Die Intuition hinter baumbasierten Methoden Exercise 2: Vorhersagen mit einem Entscheidungsbaum Exercise 3: Random Forests Exercise 4: Erstelle ein Random-Forest-Modell für Fahrradverleihen Exercise 5: Leihfahrräder mit dem Random-Forest-Modell vorhersagen Exercise 6: Vorhersagen des Random-Forest-Fahrradmodells visualisieren

Aktuelle Übung

Exercise 7: One-Hot-Encoding kategorialer Variablen Exercise 8: vtreat an einem kleinen Beispiel Exercise 9: Neue Ausprägungen Exercise 10: vtreat für die Fahrradausleihdaten Exercise 11: Gradient-Boosting-Machines Exercise 12: Finde die richtige Anzahl an Bäumen für eine Gradient-Boosting-Machine Exercise 13: Ein xgboost-Modell für Fahrradverleih fitten und vorhersagen Exercise 14: Bewerte das xgboost-Modell für Fahrradmieten Exercise 15: Visualisiere das xgboost-Modell für Fahrradverleih