Prognozowanie wypożyczeń rowerów za pomocą modelu lasu losowego

W tym ćwiczeniu wykorzystasz model dopasowany w poprzednim kroku, aby przewidzieć liczbę wypożyczeń rowerów w sierpniu.

Funkcja predict() (dokumentacja) dla modelu ranger zwraca listę. Jednym z jej elementów jest predictions – wektor prognozowanych wartości. Dostęp do predictions uzyskasz za pomocą notacji $ służącej do odwoływania się do nazwanych elementów listy:

predict(model, data)$predictions

Model bike_model_rf oraz zbiór danych bikesAugust (do ewaluacji) zostały wcześniej wczytane.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: regresja

Zobacz kurs

Instrukcje do ćwiczenia

Wywołaj funkcję predict() na zbiorze bikesAugust, aby przewidzieć liczbę wypożyczeń rowerów w sierpniu (cnt). Dodaj prognozy do bikesAugust jako kolumnę pred.
Uzupełnij puste miejsca, aby obliczyć pierwiastek błędu średniokwadratowego (RMSE) prognoz.
- Model Poissona zbudowany dla tych danych osiągnął RMSE wynoszące około 112,6. Jak wypada w porównaniu ten model?
Uzupełnij puste miejsca, aby zwizualizować rzeczywistą liczbę wypożyczeń rowerów (cnt) w odniesieniu do prognoz (pred na osi x).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# bikesAugust is available
str(bikesAugust)

# bike_model_rf is available
bike_model_rf

# Make predictions on the August data
bikesAugust$pred <- ___(___, ___)$___

# Calculate the RMSE of the predictions
bikesAugust %>% 
  mutate(residual = ___)  %>% # calculate the residual
  summarize(rmse  = ___)      # calculate rmse

# Plot actual outcome vs predictions (predictions on x-axis)
ggplot(bikesAugust, aes(x = ___, y = ___)) + 
  geom_point() + 
  geom_abline()

Edytuj i uruchom kod