Rastgele orman bisiklet modelinin tahminlerini görselleştir
Önceki egzersizde, RMSE açısından bakıldığında, rastgele orman bisiklet modelinin Ağustos verilerinde quasipoisson modelinden daha iyi olduğunu gördün.
Bu egzersizde, rastgele orman modelinin Ağustos tahminlerini zamana göre görselleştireceksin. Önceki bir egzersizde oluşturduğun quasipoisson modeline ait karşılık gelen grafiği karşılaştırma için kullanabilirsin.
Quasipoisson modelinin gün içindeki sakin ve yoğun saatlerin desenini çoğunlukla yakaladığını, ancak tepe talebi bir miktar az tahmin ettiğini hatırla. Rastgele orman modelinin nasıl karşılık geldiğini görmek istiyorsun.
Tahminleri içeren bikesAugust veri çerçevesi senin için hazırlandı. Zamanın bir fonksiyonu olarak quasipoisson modelinin tahminlerini gösteren quasipoisson_plot grafiği gösteriliyor.
Bu egzersiz, kursun bir parçasıdır
R'de Supervised Learning: Regresyon
Egzersiz talimatları
- Ağustos'un ilk 14 günü için saat bazında tahminleri ve gerçek sayımları çizmek üzere boşlukları doldur.
cntvepredsütunlarınıvaluetypeadlı bir anahtar vevalueadlı bir sütunlapivot_longerkullanarak uzun formata dönüştür.value'uinstant(gün) fonksiyonu olarak çiz.
Rastgele orman modeli nasıl karşılaştırılıyor?
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
first_two_weeks <- bikesAugust %>%
mutate(rf = bike_outcomesAugust$rf) %>%
# Set start to 0, convert unit to days
mutate(instant = (instant - min(instant)) / 24) %>%
# Filter for rows in the first two weeks
filter(instant < 14)
# collect cnt and pred into a column named value with key valuetype
pivot_longer(c('cnt', 'rf'), names_to = '___', values_to = '___')
# Plot predictions and cnt by date/time
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, Random Forest plot")