Wizualizacja predykcji modelu losowego lasu dla danych rowerowych
W poprzednim ćwiczeniu zaobserwowałeś, że model losowego lasu dla danych rowerowych wypadł lepiej na danych sierpniowych niż model quasiPoissona pod względem RMSE.
W tym ćwiczeniu zwizualizujesz sierpniowe predykcje modelu losowego lasu jako funkcję czasu. Odpowiedni wykres z modelu quasiPoissona, który zbudowałeś we wcześniejszym ćwiczeniu, jest dostępny do porównania.
Przypomnij sobie, że model quasiPoissona w dużej mierze uchwycił wzorzec spokojnych i ruchliwych godzin dnia, ale nieco zaniżał szczytowe zapotrzebowanie. Sprawdź, jak na tym tle wypada model losowego lasu.
Ramka danych bikesAugust (z predykcjami) jest dostępna. Wykres quasipoisson_plot prezentujący predykcje modelu quasiPoissona jako funkcję czasu jest wyświetlony.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe w R: regresja
Instrukcje do ćwiczenia
- Uzupełnij brakujące fragmenty kodu, aby wykreślić predykcje i rzeczywiste liczby przejazdów w poszczególnych godzinach dla pierwszych 14 dni sierpnia.
- Użyj
pivot_longer, aby przekształcić kolumnycntipredw kolumnę o nazwievalue, z kluczemvaluetype. - Wykreśl
valuejako funkcjęinstant(dzień).
- Użyj
Jak wypada model losowego lasu w porównaniu?
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
first_two_weeks <- bikesAugust %>%
mutate(rf = bike_outcomesAugust$rf) %>%
# Set start to 0, convert unit to days
mutate(instant = (instant - min(instant)) / 24) %>%
# Filter for rows in the first two weeks
filter(instant < 14)
# collect cnt and pred into a column named value with key valuetype
pivot_longer(c('cnt', 'rf'), names_to = '___', values_to = '___')
# Plot predictions and cnt by date/time
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, Random Forest plot")