Visualisera xgboost-modellen för cykeluthyrning
Du har nu sett tre olika sätt att modellera data för cykeluthyrning. I det här exemplet hade gradientboostingmodellen det lägsta RMSE-värdet. Låt oss avsluta kursen med att jämföra gradientboostingmodellens förutsägelser med de två andra modellerna som en funktion av tid.
När du är klar med den här övningen har du också slutfört kursen. Grattis! Du har nu verktygen för att tillämpa en rad olika metoder på dina regressionsproblem.
Dataramen bikesAugust med förutsägelser är förinstallerad. Plottarna quasipoisson_plot och randomforest_plot är också tillgängliga.
Den här övningen är en del av kursen
Övervakad inlärning i R: Regression
Övningsinstruktioner
- Skriv ut
quasipoisson_plotför att granska quasipoisson-modellens beteende. - Skriv ut
randomforest_plotför att granska random forest-modellens beteende. - Fyll i luckorna för att plotta gradientboostingmodellens förutsägelser och faktiska antal per timme för de första 14 dagarna i augusti.
- Använd
pivot_longer()på kolumnnamnencntochgbmtill en kolumn kalladvalue, med en nyckel kalladvaluetype. - Plotta
valuesom en funktion avinstant(dag).
- Använd
Hur förhåller sig gradientboostingmodellen till de tidigare modellerna?
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print quasipoisson_plot
___
# Print randomforest_plot
___
# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>%
mutate(instant = (instant - min(instant))/24) %>% # set start to 0, convert unit to days
filter(instant < 14) %>% # first two weeks
pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
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, Gradient Boosting model")