Kom igångKom igång gratis

Prediktera cykeluthyrningar med random forest-modellen

I den här övningen använder du modellen som du tränade i föregående övning för att prediktera cykeluthyrningar för månaden augusti.

Funktionen predict() (docs) för en ranger-modell returnerar en lista. Ett av elementen i den här listan är predictions, en vektor med predikterade värden. Du kan komma åt predictions med $-notationen för att nå namngivna element i en lista:

predict(model, data)$predictions

Modellen bike_model_rf och datamängden bikesAugust (för utvärdering) har förinslästs.

Den här övningen är en del av kursen

Övervakad inlärning i R: Regression

Visa kurs

Övningsinstruktioner

  • Anropa predict() på bikesAugust för att prediktera antalet uthyrda cyklar i augusti (cnt). Lägg till prediktionerna i bikesAugust som kolumnen pred.
  • Fyll i blanktexterna för att beräkna roten ur medelkvadratfelet (RMSE) för prediktionerna.
    • Poissonmodellen du byggde för dessa data gav ett RMSE på ungefär 112,6. Hur jämför sig den här modellen?
  • Fyll i blanktexterna för att plotta det faktiska antalet cykeluthyrningar (cnt) mot prediktionerna (pred på x-axeln).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod