Zbuduj model lasu losowego do prognozowania wypożyczeń rowerów

W tym ćwiczeniu ponownie zbudujesz model przewidujący liczbę wypożyczonych rowerów w ciągu godziny – w zależności od warunków pogodowych, rodzaju dnia (święto, dzień roboczy lub weekend) oraz pory dnia. Model wytrenuj na danych z lipca.

Do dopasowania modelu lasu losowego użyjesz pakietu ranger. W tym ćwiczeniu kluczowe argumenty wywołania ranger() (dokumentacja) to:

formula
data
num.trees: liczba drzew w lesie.
respect.unordered.factors: określa sposób traktowania nieuporządkowanych zmiennych czynnikowych. W przypadku regresji zalecamy ustawienie wartości "order".
seed: ponieważ algorytm jest losowy, ustaw ziarno, aby uzyskać powtarzalne wyniki.

Ponieważ zmiennych wejściowych jest wiele, dla wygody zapiszemy zmienną objaśnianą i zmienne wejściowe odpowiednio w outcome i vars, a następnie użyjemy funkcji paste() (dokumentacja), aby złożyć łańcuch znaków reprezentujący formułę modelu.

Ramka danych bikesJuly jest już wczytana. Przykładowy kod określa nazwy zmiennej objaśnianej i zmiennych wejściowych.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: regresja

Zobacz kurs

Instrukcje do ćwiczenia

Uzupełnij luki, aby utworzyć formułę fmla wyrażającą cnt jako funkcję zmiennych wejściowych. Wyświetl ją.
Wczytaj pakiet ranger.
Za pomocą ranger dopasuj model do danych bikesJuly: bike_model_rf.
- Pierwszym argumentem ranger() jest formuła fmla.
- Użyj 500 drzew i ustaw respect.unordered.factors = "order".
- Ustaw ziarno na seed, aby wyniki były powtarzalne.
- Wyświetl model. Jaka jest wartość R-kwadrat?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# bikesJuly is available
str(bikesJuly)

# Random seed to reproduce results
seed

# The outcome column
(outcome <- "cnt")

# The input variables
(vars <- c("hr", "holiday", "workingday", "weathersit", "temp", "atemp", "hum", "windspeed"))

# Create the formula string for bikes rented as a function of the inputs
(fmla <- paste(___, "~", paste(___, collapse = " + ")))

# Load the package ranger
___

# Fit and print the random forest model
(bike_model_rf <- ranger(___, # formula 
                         ___, # data
                         num.trees = ___, 
                         respect.unordered.factors = ___, 
                         seed = ___))

Edytuj i uruchom kod