Mejora tus modelos

Antes creaste una colección de modelos simples para ajustar la esperanza de vida usando la característica year. Tu análisis anterior mostró que algunos de esos modelos no ajustaban muy bien.

En este ejercicio, vas a construir modelos de regresión múltiple para cada país utilizando todas las características disponibles. Puede que te interese comparar el rendimiento de los cuatro modelos con peor ajuste; a continuación se muestran sus \(R^2\) ajustados:

Country	Adjusted \(R^2\)
Botswana	-0.0060772
Lesotho	-0.0169851
Zambia	0.1668999
Zimbabwe	0.2083979

Este ejercicio forma parte del curso

Machine Learning en el tidyverse

Ver curso

Instrucciones del ejercicio

Crea un modelo lineal para cada país que prediga life_expectancy usando todas las características del conjunto de datos.
Añade una columna (fit) con las estadísticas de ajuste de cada modelo y simplifica este data frame.
Imprime el \(R^2\) ajustado en fullmodel_perf de los cuatro países del data frame worst_fit.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Build a linear model for each country using all features
gap_fullmodel <- gap_nested %>% 
  mutate(model = map(data, ~lm(formula = ___, data = .x)))

fullmodel_perf <- gap_fullmodel %>% 
  # Extract the fit statistics of each model into data frames
  mutate(fit = map(model, ~___(.x))) %>% 
  # Simplify the fit data frames for each model
  unnest(___)
  
# View the performance for the four countries with the worst fitting four simple models you looked at before
fullmodel_perf %>% 
  ___(country %in% worst_fit$country) %>% 
  select(country, adj.r.squared)

Editar y ejecutar código