Прогнозирование аренды велосипедов с помощью модели случайного леса

В этом упражнении вы воспользуетесь моделью, обученной в предыдущем упражнении, чтобы спрогнозировать количество аренд велосипедов за август.

Функция predict() (docs) для модели ranger возвращает список. Один из его элементов — predictions, вектор прогнозируемых значений. Обратиться к нему можно с помощью оператора $ для доступа к именованным элементам списка:

predict(model, data)$predictions

Модель bike_model_rf и набор данных bikesAugust (для оценки) уже загружены.

Это упражнение является частью курса

Обучение с учителем в R: регрессия

Посмотреть курс

Инструкции к упражнению

Вызовите функцию predict() на данных bikesAugust, чтобы спрогнозировать количество аренд велосипедов в августе (cnt). Добавьте прогнозы в bikesAugust в виде столбца pred.
Заполните пропуски, чтобы вычислить среднеквадратическую ошибку (RMSE) прогнозов.
- Модель Пуассона, построенная для этих данных, дала RMSE около 112,6. Как эта модель соотносится с ней по качеству?
Заполните пропуски, чтобы построить график фактического количества аренд велосипедов (cnt) в зависимости от прогнозов (pred по оси X).

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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()

Редактировать и запускать код