Wizualizacja modelu xgboost dla wypożyczalni rowerów

Poznałeś już trzy różne sposoby modelowania danych dotyczących wypożyczalni rowerów. W tym przykładzie model gradient boosting osiągnął najniższy RMSE. Na zakończenie kursu porównajmy jego predykcje z wynikami pozostałych dwóch modeli w funkcji czasu.

Po ukończeniu tego ćwiczenia ukończysz cały kurs. Gratulacje! Masz teraz narzędzia, by stosować różnorodne podejścia do zadań regresji.

Ramka danych bikesAugust z predykcjami jest już wczytana. Dostępne są również wykresy quasipoisson_plot i randomforest_plot.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: regresja

Zobacz kurs

Instrukcje do ćwiczenia

Wyświetl quasipoisson_plot, aby przejrzeć zachowanie modelu quasi-Poissona.
Wyświetl randomforest_plot, aby przejrzeć zachowanie modelu lasu losowego.
Uzupełnij brakujące fragmenty kodu, aby wykreślić predykcje modelu gradient boosting oraz rzeczywistą liczbę wypożyczeń w kolejnych godzinach dla pierwszych 14 dni sierpnia.
- Za pomocą pivot_longer() przenieś nazwy kolumn cnt i gbm do kolumny value, używając klucza o nazwie valuetype.
- Wykreśl value jako funkcję instant (dzień).

Jak model gradient boosting wypada w porównaniu z poprzednimi modelami?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print quasipoisson_plot
___

# Print randomforest_plot
___

# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>% 
  mutate(instant = (instant - min(instant))/24) %>%  # set start to 0, convert unit to days
  filter(instant < 14) %>% # first two weeks
  pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
  ggplot(aes(x = ___, y = ___, color = valuetype, linetype = valuetype)) + 
  geom_point() + 
  geom_line() + 
  scale_x_continuous("Day", breaks = 0:14, labels = 0:14) + 
  scale_color_brewer(palette = "Dark2") + 
  ggtitle("Predicted August bike rentals, Gradient Boosting model")

Edytuj i uruchom kod