Mapper de nombreux modèles

Le data frame gap_nested disponible dans votre espace de travail contient le jeu de données gapminder imbriqué par pays.

Vous allez utiliser ces données pour construire un modèle linéaire pour chaque pays afin de prédire l’espérance de vie à partir de la caractéristique year.

Remarque : Le terme feature est synonyme de variable ou prédicteur. Il désigne un attribut de vos données pouvant être utilisé pour construire un modèle de Machine Learning.

Cet exercice fait partie du cours

<cours>Machine Learning dans le tidyverse</cours>

Voir le cours

Instructions de l’exercice

Construisez un modèle linéaire pour chaque pays en prédisant life_expectancy à partir de la caractéristique year. Utilisez la fonction lm() pour cela et enregistrez ce nouveau data frame contenant les modèles sous le nom gap_models.
Extrayez le premier modèle de ce data frame et enregistrez-le sous le nom algeria_model.
Affichez les informations sur le modèle avec summary().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Build a linear model for each country
gap_models <- gap_nested %>%
    mutate(model = map(___, ~lm(formula = life_expectancy~year, data = ___)))
    
# Extract the model for Algeria    
algeria_model <- gap_models$model[[___]]

# View the summary for the Algeria model
summary(___)

Modifier et exécuter le code