ควรเลือกโมเดลใด?

จากค่าผลรวมของกำลังสองของส่วนเหลือทั้งสองนี้ คิดว่าโมเดลใด "ดีกว่า" และควรเลือกใช้โมเดลใด?

model_price_2 ที่ใช้ log10_size และ bedrooms?
model_price_4 ที่ใช้ log10_size และ waterfront?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลด้วยข้อมูลใน Tidyverse

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลด้วยข้อมูลใน Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

เริ่มคอร์สฟรี

บทนี้จะแนะนำทฤษฎีพื้นฐานและคำศัพท์สำคัญสำหรับการสร้างโมเดล ได้แก่ กรอบการสร้างโมเดลโดยทั่วไป ความแตกต่างระหว่างการสร้างโมเดลเพื่ออธิบายและเพื่อพยากรณ์ รวมถึงปัญหาที่เกิดขึ้นในกระบวนการสร้างโมเดล นอกจากนี้ คุณจะเริ่มต้นทำการวิเคราะห์ข้อมูลเชิงสำรวจ ซึ่งเป็นขั้นตอนสำคัญที่ต้องทำก่อนการสร้างโมเดลจริงเสมอ

Exercise 1: พื้นฐานการสร้างโมเดลเพื่ออธิบายข้อมูล Exercise 2: การสำรวจข้อมูลเชิงภาพของตัวแปร age Exercise 3: สถิติเชิงตัวเลขของตัวแปร age Exercise 4: ความรู้เบื้องต้นเกี่ยวกับการสร้างโมเดลเพื่อการพยากรณ์Exercise 5: การสำรวจข้อมูลเบื้องต้นด้วยการแสดงผลของขนาดบ้าน Exercise 6: การแปลงค่า Log10 ของขนาดบ้าน Exercise 7: โจทย์การสร้างโมเดลเพื่ออธิบาย Exercise 8: EDA ของความสัมพันธ์ระหว่างคะแนนการสอนและคะแนน "ความน่าดึงดูด"Exercise 9: ความสัมพันธ์ระหว่างคะแนนการสอนและคะแนน "ความน่าดึงดูด"Exercise 10: โจทย์การสร้างโมเดลเพื่อการทำนาย Exercise 11: EDA ของความสัมพันธ์ระหว่างราคาบ้านและวิว Waterfront Exercise 12: การทำนายราคาบ้านด้วยตัวแปร waterfront

เมื่อเข้าใจกรอบการสร้างโมเดลโดยทั่วไปแล้ว บทนี้จะครอบคลุมการถดถอยเชิงเส้นพื้นฐาน โดยจะเริ่มจากสิ่งที่เรียบง่าย คือการสร้างโมเดลตัวแปรผลลัพธ์ y ในฐานะฟังก์ชันของตัวแปรอธิบาย/ตัวแปรพยากรณ์เพียงตัวเดียว x ซึ่งอาจเป็นได้ทั้งตัวแปรเชิงตัวเลขและตัวแปรเชิงกลุ่ม ตัวแปรผลลัพธ์ที่ใช้ในบทนี้คือคะแนนประเมินการสอนของอาจารย์มหาวิทยาลัย Texas เมือง Austin

Exercise 1: อธิบายคะแนนการสอนด้วยอายุ Exercise 2: การพล็อตเส้นถดถอย "ที่เหมาะสมที่สุด"Exercise 3: การ Fit โมเดลถดถอยด้วยตัวแปร x เชิงตัวเลข Exercise 4: การทำนายคะแนนการสอนจากอายุ Exercise 5: การพยากรณ์โดยใช้ "คะแนนความสวยงาม"Exercise 6: การคำนวณค่าที่พยากรณ์และค่าคงเหลือ Exercise 7: อธิบายคะแนนการสอนด้วยตัวแปรเพศ Exercise 8: EDA ของความสัมพันธ์ระหว่าง score และ rank Exercise 9: การ Fit โมเดลถดถอยด้วยตัวแปร x เชิงกลุ่ม Exercise 10: การทำนายคะแนนการสอนจากเพศ Exercise 11: การทำนายค่าโดยใช้ rank Exercise 12: การแสดงภาพการกระจายตัวของส่วนเหลือ

ในบทที่แล้ว คุณได้เรียนรู้การถดถอยพื้นฐานโดยใช้ตัวพยากรณ์เชิงตัวเลขหรือเชิงกลุ่มเพียงตัวเดียว แต่ทำไมต้องจำกัดตัวเองไว้แค่ตัวแปรเดียว? บทนี้จะขยายการถดถอยพื้นฐานไปสู่การถดถอยพหุคูณ ซึ่งช่วยให้นำตัวแปรอธิบายหรือตัวแปรพยากรณ์มากกว่าหนึ่งตัวเข้ามาใช้ในโมเดลได้ โดยจะสร้างโมเดลราคาบ้านจากชุดข้อมูลบ้านในเขตมหานคร Seattle รัฐ WA

Exercise 1: อธิบายราคาบ้านด้วยปีและขนาด Exercise 2: การวิเคราะห์ข้อมูลเบื้องต้นของความสัมพันธ์Exercise 3: การ Fit โมเดลถดถอย Exercise 4: การพยากรณ์ราคาบ้านโดยใช้ปีและขนาด Exercise 5: การพยากรณ์ราคาโดยใช้ขนาดและจำนวนห้องนอน Exercise 6: การตีความค่าคงเหลือ Exercise 7: อธิบายราคาบ้านด้วยขนาดและสภาพบ้าน Exercise 8: โมเดล parallel slopes Exercise 9: การตีความโมเดล Parallel Slopes Exercise 10: การพยากรณ์ราคาบ้านโดยใช้ขนาดและสภาพบ้าน Exercise 11: การทำนายราคาโดยใช้ขนาดและวิวริมทะเล Exercise 12: การทำนายราคาบ้าน "ใหม่" แบบอัตโนมัติ

ในบทที่ผ่านมา คุณได้ fit โมเดลหลากหลายรูปแบบเพื่ออธิบายหรือพยากรณ์ตัวแปรผลลัพธ์ที่สนใจ แต่เราจะรู้ได้อย่างไรว่าควรเลือกโมเดลใด? ตัววัดการประเมินโมเดลช่วยให้ประเมินได้ว่าโมเดลเชิงอธิบาย "fit" ข้อมูลได้ดีเพียงใด หรือโมเดลเชิงพยากรณ์มีความแม่นยำมากน้อยแค่ไหน จากตัววัดเหล่านี้ คุณจะได้เรียนรู้เกณฑ์สำหรับตัดสินว่าโมเดลใดคือ "ตัวเลือกที่ดีที่สุด"

Exercise 1: การประเมินและคัดเลือกโมเดล Exercise 2: ทบทวน: ผลรวมของกำลังสองของส่วนเหลือ Exercise 3: ควรเลือกโมเดลใด?

แบบฝึกหัดปัจจุบัน

Exercise 4: การประเมินความเหมาะสมของโมเดลด้วย R-squared Exercise 5: การคำนวณค่า R-squared ของโมเดล Exercise 6: การเปรียบเทียบค่า R-squared ของสองโมเดล Exercise 7: การประเมินการพยากรณ์ด้วย RMSE Exercise 8: การคำนวณ MSE และ RMSE ของโมเดล Exercise 9: การเปรียบเทียบ RMSE ของสองโมเดล Exercise 10: กรอบการทำนายด้วยชุดข้อมูลตรวจสอบความถูกต้อง Exercise 11: การ Fit โมเดลกับข้อมูล Training Exercise 12: การทำนายบนข้อมูลทดสอบ Exercise 13: บทสรุป — ต่อจากนี้จะไปทางไหน?