Інтерпретація залишків

Автоматизуймо цей процес для всіх 21 тис. рядків у house_prices, щоб отримати залишки. Ви використаєте їх, щоб обчислити суму квадратів залишків — міру невідповідності моделі. Після обчислення суми квадратів залишків дайте відповідь на запитання:

Яке з цих тверджень про залишки є неправильним?

Ця вправа є частиною курсу

Моделювання даних у Tidyverse

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Automate prediction and residual computation
___

Редагувати та запускати код

Ця вправа є частиною курсу

Моделювання даних у Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

Почніть курс безкоштовно

У цьому розділі ви ознайомитеся з базовою теорією та термінами моделювання: загальною рамкою моделювання, відмінністю між моделюванням для пояснення й для передбачення, а також постановкою задачі моделювання. Крім того, ви почнете виконувати перший розвідувальний аналіз даних — це критичний крок перед будь-яким формальним моделюванням.

Exercise 1: Теоретичні засади моделювання для пояснення Exercise 2: Розвідувальна візуалізація віку Exercise 3: Числові підсумки для age Exercise 4: Теоретичні засади моделювання для передбачення Exercise 5: Розвідувальна візуалізація розміру будинків Exercise 6: Log10-перетворення розміру будинку Exercise 7: Проблема моделювання для пояснення Exercise 8: Розвідувальний аналіз зв'язку між оцінками викладання та «красою»Exercise 9: Кореляція між оцінками викладання та «красою»Exercise 10: Постановка моделювальної задачі для передбачення Exercise 11: EDA взаємозв'язку між ціною будинку та наявністю виходу до води Exercise 12: Прогнозування ціни будинку за наявністю виходу до води

Озброївшись розумінням загальної рамки моделювання, у цьому розділі ми розглянемо базову лінійну регресію, де ви спростите підхід і змоделюєте цільову змінну y як функцію однієї пояснювальної/прогностичної змінної x. Ми використаємо як числові, так і категоріальні змінні x. Цільовою змінною в цьому розділі будуть оцінки викладання викладачів в Університеті Техасу в Остіні.

Exercise 1: Пояснення оцінки викладання за віком Exercise 2: Побудова «найкраще підігнаної» регресійної прямої Exercise 3: Підгонка регресії з числовою x Exercise 4: Прогнозування оцінки викладання за віком Exercise 5: Прогнозування за «beauty score»Exercise 6: Обчислення підгонених/прогнозованих значень і залишків Exercise 7: Пояснення оцінки викладання за статтю Exercise 8: Розвідковий аналіз (EDA) взаємозв'язку між score і rank Exercise 9: Підганяння регресії з категоріальною змінною x Exercise 10: Прогнозування оцінки викладання за статтю Exercise 11: Прогнозування за допомогою rank Exercise 12: Візуалізація розподілу залишків

У попередньому розділі ви вивчили базову регресію з однією числовою або однією категоріальною ознакою. Але навіщо обмежуватися лише однією змінною для пояснення чи передбачення? Тепер ви розширите базову регресію до множинної регресії, яка дає змогу включати до моделей більше ніж одну пояснювальну або прогностичну змінну. Ви моделюватимете ціни будинків, використовуючи набір даних про будинки в агломерації Сіетл, штат Вашингтон.

Exercise 1: Пояснення ціни будинку за роком і площею Exercise 2: Розвідка зв'язку (EDA)Exercise 3: Підбір регресійної моделі Exercise 4: Прогнозування ціни будинку за роком і площею Exercise 5: Прогнозування за площею та кількістю спалень Exercise 6: Інтерпретація залишків

Поточна вправа

Exercise 7: Пояснення ціни будинку за площею та станом Exercise 8: Модель паралельних нахилів Exercise 9: Інтерпретація моделі паралельних нахилів Exercise 10: Прогнозування ціни будинку за площею та станом Exercise 11: Прогнозування за площею та набережною Exercise 12: Автоматизація прогнозів для «нових» будинків

У попередніх розділах ви навчали моделі для пояснення або передбачення цільової змінної. Але як зрозуміти, які моделі обрати? Метрики оцінювання моделей дають змогу визначити, наскільки добре пояснювальна модель «підходить» до набору даних або наскільки точною є прогностична модель. Спираючись на ці показники, ви ознайомитеся з критеріями вибору «найкращих» моделей.

Exercise 1: Вибір і оцінювання моделей Exercise 2: Повторення: сума квадратів залишків Exercise 3: Яку модель обрати?Exercise 4: Оцінювання якості підгонки моделі за допомогою R‑квадрата Exercise 5: Обчислення R-squared моделі Exercise 6: Порівняння R-squared двох моделей Exercise 7: Оцінювання прогнозів за допомогою RMSE Exercise 8: Обчислення MSE і RMSE моделі Exercise 9: Порівняння RMSE двох моделей Exercise 10: Рамка прогнозування з валідаційною вибіркою Exercise 11: Підгонка моделі до тренувальних даних Exercise 12: Прогнозування на тестових даних Exercise 13: Висновки — що робити далі?