Visualiser les prédictions de location de vélos

Dans l'exercice précédent, vous avez visualisé les prédictions du modèle de vélos avec un nuage de points « résultat vs prédiction ». Comme les données de location de vélos forment une série chronologique, il est utile d'observer le rendement du modèle en fonction du temps. Dans cet exercice, vous comparerez les prédictions et les locations réelles heure par heure, pour les 14 premiers jours d'août.

Pour créer le graphique, vous utiliserez la fonction tidyr::pivot_longer() (docs) pour regrouper les valeurs prédites et réelles de bikesAugust dans une seule colonne. pivot_longer() prend comme arguments :

La trame de données « large » à transformer (implicite dans un pipe)
Les noms des colonnes à regrouper dans une seule colonne (mot-clé « cols »).
Le nom de la colonne de clé à créer — contient les noms des colonnes regroupées (mot-clé « names_to »).
Le nom de la colonne de valeurs à créer — contient les valeurs des colonnes regroupées (mot-clé « values_to »).

Vous utiliserez la trame de données transformée pour comparer les comptes réels et prévus de locations en fonction du temps. L'indice temporel instant compte le nombre d'observations depuis le début de la collecte. Le code fourni convertit les instants en unités quotidiennes, à partir de 0.

La trame bikesAugust, avec les prédictions (bikesAugust$pred), a été préchargée.

Cette activité fait partie du cours

Apprentissage supervisé en R : régression

Voir le cours

Instructions de l’exercice

Remplissez les blancs pour tracer les prédictions et les comptes réels par heure pour les 14 premiers jours d'août.
- convertir instant pour qu'il soit en jours plutôt qu'en heures
- appliquer pivot_longer() aux colonnes cnt et pred dans une colonne appelée value, avec une clé appelée valuetype.
- appliquer filter() pour les deux premières semaines d'août
- tracer value en fonction de instant (jour).

Le modèle capte-t-il les tendances temporelles générales des locations de vélos ?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Plot predictions and cnt by date/time
bikesAugust %>% 
  # set start to 0, convert unit to days
  mutate(instant = (instant - min(instant))/24) %>%  
  # collect cnt and pred into a value column
  pivot_longer(cols = c('cnt', 'pred'), names_to = '___', values_to = '___') %>%  
  filter(instant < 14) %>% # restric to first 14 days
  # plot value by instant
  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, Quasipoisson model")

Modifier et exécuter le code