Visualiza el modelo de alquiler de bicis con xgboost

Ya has visto tres formas distintas de modelar los datos de alquiler de bicis. En este ejemplo, has visto que el modelo de gradient boosting obtuvo el RMSE más bajo. Para terminar el curso, comparemos las predicciones del modelo de gradient boosting con las de los otros dos modelos en función del tiempo.

Al completar este ejercicio, habrás terminado el curso. ¡Enhorabuena! Ahora tienes las herramientas para aplicar distintos enfoques a tus tareas de regresión.

El data frame bikesAugust, con las predicciones, ya está precargado. También tienes disponibles las gráficas quasipoisson_plot y randomforest_plot.

Este ejercicio forma parte del curso

Aprendizaje supervisado en R: Regresión

Ver curso

Instrucciones del ejercicio

Imprime quasipoisson_plot para revisar el comportamiento del modelo quasipoisson.
Imprime randomforest_plot para revisar el comportamiento del modelo random forest.
Rellena los huecos para trazar las predicciones del gradient boosting y los conteos reales por hora durante los primeros 14 días de agosto.
- Usa pivot_longer() para reunir los nombres de las columnas cnt y gbm en una columna llamada value, con una clave llamada valuetype.
- Representa value en función de instant (día).

¿Cómo se compara el modelo de gradient boosting con los modelos anteriores?

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Print quasipoisson_plot
___

# Print randomforest_plot
___

# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>% 
  mutate(instant = (instant - min(instant))/24) %>%  # set start to 0, convert unit to days
  filter(instant < 14) %>% # first two weeks
  pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
  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, Gradient Boosting model")

Editar y ejecutar código