Zbuduj lepsze modele
Wcześniej zbudowałeś zbiór prostych modeli dopasowujących oczekiwaną długość życia na podstawie cechy year. Poprzednia analiza wykazała, że niektóre z tych modeli nie dopasowały się zbyt dobrze.
W tym ćwiczeniu zbudujesz modele regresji wielokrotnej dla każdego kraju, korzystając ze wszystkich dostępnych cech. Warto porównać wyniki czterech najgorzej dopasowanych modeli – ich skorygowane \(R^2\) podano poniżej:
| Kraj | Skorygowane \(R^2\) |
|---|---|
| Botswana | -0.0060772 |
| Lesotho | -0.0169851 |
| Zambia | 0.1668999 |
| Zimbabwe | 0.2083979 |
To ćwiczenie jest częścią kursu
Uczenie maszynowe w tidyverse
Instrukcje do ćwiczenia
- Zbuduj model liniowy dla każdego kraju, który przewiduje
life_expectancyna podstawie wszystkich cech dostępnych w zbiorze danych. - Dodaj kolumnę (
fit) zawierającą statystyki dopasowania dla każdego modelu i uprość tę ramkę danych. - Wyświetl skorygowane \(R^2\) w
fullmodel_perfdla czterech krajów z ramki danychworst_fit.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build a linear model for each country using all features
gap_fullmodel <- gap_nested %>%
mutate(model = map(data, ~lm(formula = ___, data = .x)))
fullmodel_perf <- gap_fullmodel %>%
# Extract the fit statistics of each model into data frames
mutate(fit = map(model, ~___(.x))) %>%
# Simplify the fit data frames for each model
unnest(___)
# View the performance for the four countries with the worst fitting four simple models you looked at before
fullmodel_perf %>%
___(country %in% worst_fit$country) %>%
select(country, adj.r.squared)