Bygg bättre modeller

Tidigare byggde du en samling enkla modeller för att anpassa medellivslängd med hjälp av särdragen år. Din tidigare analys visade att vissa av dessa modeller inte passade särskilt bra.

I den här övningen bygger du multipla regressionsmodeller för varje land med hjälp av alla tillgängliga särdrag. Det kan vara intressant att jämföra prestandan hos de fyra sämst anpassade modellerna – deras justerade \(R^2\) visas nedan:

Land	Justerat \(R^2\)
Botswana	-0,0060772
Lesotho	-0,0169851
Zambia	0,1668999
Zimbabwe	0,2083979

Den här övningen är en del av kursen

Maskininlärning med Tidyverse

Visa kurs

Övningsinstruktioner

Bygg en linjär modell för varje land som förutsäger life_expectancy med hjälp av alla särdrag i datamängden.
Lägg till en kolumn (fit) med anpassningsstatistik för varje modell och förenkla denna dataram.
Skriv ut det justerade \(R^2\) i fullmodel_perf för de fyra länderna från dataramen worst_fit.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Build a linear model for each country using all features
gap_fullmodel <- gap_nested %>% 
  mutate(model = map(data, ~lm(formula = ___, data = .x)))

fullmodel_perf <- gap_fullmodel %>% 
  # Extract the fit statistics of each model into data frames
  mutate(fit = map(model, ~___(.x))) %>% 
  # Simplify the fit data frames for each model
  unnest(___)
  
# View the performance for the four countries with the worst fitting four simple models you looked at before
fullmodel_perf %>% 
  ___(country %in% worst_fit$country) %>% 
  select(country, adj.r.squared)

Redigera och kör kod