Aan de slagGa gratis aan de slag

Een willekeurige test/train-split maken

In de komende oefeningen gebruik je de mpg-gegevens uit het pakket ggplot2. Deze gegevens beschrijven de eigenschappen van verschillende automerken en -modellen uit verschillende jaren. Het doel is om het brandstofverbruik in de stad te voorspellen op basis van het brandstofverbruik op de snelweg.

In deze oefening splits je mpg in een trainingsset mpg_train (75% van de data) en een testset mpg_test (25% van de data). Een manier om dit te doen is door een kolom met uniforme willekeurige getallen tussen 0 en 1 te genereren met de functie runif() (docs).

Als je een gegevensset dframe hebt van grootte \(N\), en je wilt een willekeurige deelverzameling van ongeveer \(100 * X\)% van \(N\) (waarbij \(X\) tussen 0 en 1 ligt), dan:

  1. Genereer een vector met uniforme willekeurige getallen: gp = runif(N).
  2. dframe[gp < X,] zal ongeveer de juiste grootte hebben.
  3. dframe[gp >= X,] is de complementverzameling.

Deze oefening maakt deel uit van de cursus

Supervised Learning in R: Regressie

Cursus bekijken

Oefeninstructies

  • Gebruik de functie nrow (docs) om het aantal rijen in de data frame mpg op te vragen. Ken deze telling toe aan de variabele N en print deze.
  • Bereken ongeveer hoeveel rijen 75% van N is. Ken dit toe aan de variabele target en print deze.
  • Gebruik runif() om een vector van N uniforme willekeurige getallen te genereren, genaamd gp.
  • Gebruik gp om mpg op te splitsen in mpg_train en mpg_test (waarbij mpg_train ongeveer 75% van de data bevat).
  • Gebruik nrow() om de grootte van mpg_train en mpg_test te controleren. Hebben ze ongeveer de juiste omvang?

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# mpg is available
summary(mpg)
dim(mpg)

# Use nrow to get the number of rows in mpg (N) and print it
(N <- ___)

# Calculate how many rows 75% of N should be and print it
# Hint: use round() to get an integer
(target <- ___)

# Create the vector of N uniform random variables: gp
gp <- ___

# Use gp to create the training set: mpg_train (75% of data) and mpg_test (25% of data)
mpg_train <- ___
mpg_test <- ___

# Use nrow() to examine mpg_train and mpg_test
___
___
Code bewerken en uitvoeren