Prédire les locations de vélos avec le modèle de forêt aléatoire

Dans cet exercice, vous allez utiliser le modèle ajusté à l'exercice précédent pour prédire les locations de vélos pour le mois d'août.

La fonction predict() (docs) pour un modèle ranger produit une liste. L'un des éléments de cette liste est predictions, un vecteur de valeurs prédites. Vous pouvez accéder à predictions avec la notation $ pour accéder aux éléments nommés d'une liste :

predict(model, data)$predictions

Le modèle bike_model_rf et l'ensemble de données bikesAugust (pour l'évaluation) ont été préchargés.

Cette activité fait partie du cours

Apprentissage supervisé en R : régression

Voir le cours

Instructions de l’exercice

Appelez predict() sur bikesAugust pour prédire le nombre de vélos loués en août (cnt). Ajoutez les prédictions à bikesAugust sous forme de colonne pred.
Remplissez les espaces vides pour calculer la racine de l'erreur quadratique moyenne des prédictions.
- Le modèle de Poisson que vous avez construit pour ces données donnait une RMSE d'environ 112,6. Comment ce modèle se compare-t-il?
Remplissez les espaces vides pour tracer les comptages réels de locations de vélos (cnt) par rapport aux prédictions (pred sur l'axe des x).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()

Modifier et exécuter le code