tidymodels에서의 PCA

모델 구축 관점에서 PCA는 더 적은 특성으로도 원본 데이터의 대부분 정보를 담는 모델을 만들 수 있게 해줍니다. 하지만 보셨듯이, PCA의 단점은 모델 해석이 어렵다는 점입니다. 이 연습 문제에서는 주택 판매 데이터의 일부를 사용해 선형 회귀 모델을 만드는 데 집중합니다. 목표 변수는 price입니다.

주성분을 추출하지 않고 데이터에서 바로 구축한 모델의 RMSE는 $236,461.4입니다. 이제 tidymodels로 PCA를 적용하고 새로운 RMSE를 비교해 보세요. RMSE는 작을수록 더 좋다는 점을 기억하세요.

tidyverse와 tidymodels 패키지는 미리 로드되어 있습니다.

이 연습은 강의의 일부입니다

R에서의 차원 축소

강의 보기

연습 안내

train을 사용해 주성분 5개를 추출하는 PCA 레시피를 만드세요.
기본 linear_reg() 모델 사양으로 워크플로를 적합(fit)하세요.
test를 사용해 실제 값과 예측 값을 포함한 테스트 예측 데이터 프레임을 만드세요.
PCA로 차원 축소한 선형 회귀 모델의 RMSE를 계산하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Build a PCA recipe
pca_recipe <- ___(___ ~ ___ , data = ___) %>% 
  ___(___()) %>% 
  ___(___(), num_comp = ___) 

# Fit a workflow with a default linear_reg() model spec
house_sales_fit <- ___(preprocessor = ___, spec = ___()) %>% 
  ___(___)

# Create prediction df for the test set
house_sales_pred_df <- ___(___, test) %>% 
  ___(test %>% select(___))

# Calculate the RMSE
___(house_sales_pred_df, ___, .pred)

코드 편집 및 실행