1. Learn
    2. /
  2. 课程
    3. /
  3. Redukcja wymiarowości w R
Connected

道练习

PCA w tidymodels

Z perspektywy budowania modeli PCA pozwala tworzyć modele z mniejszą liczbą cech, zachowując przy tym większość informacji zawartych w oryginalnych danych. Jak już wiesz, wadą PCA jest trudność w interpretacji modelu. W tym ćwiczeniu skupisz się na budowie modelu regresji liniowej na podstawie podzbioru danych dotyczących sprzedaży domów. Zmienną docelową jest price.

Model zbudowany bezpośrednio na danych, bez ekstrakcji głównych składowych, osiąga RMSE równe 236 461,4 USD. Zastosujesz PCA z użyciem pakietu tidymodels i porównasz nową wartość RMSE. Pamiętaj – im niższe RMSE, tym lepiej.

Pakiety tidyverse i tidymodels zostały już wczytane.

说明

100 XP
  • Zbuduj przepis PCA na podstawie train, wyodrębniając pięć głównych składowych.
  • Dopasuj przepływ pracy z domyślną specyfikacją modelu linear_reg().
  • Utwórz ramkę danych z prognozami testowymi na podstawie test, zawierającą rzeczywiste i przewidywane wartości.
  • Oblicz RMSE dla modelu regresji liniowej zredukowanego za pomocą PCA.