Моделювання взаємодії (2)

У цій вправі ви порівняєте якість моделі з взаємодією, яку ви налаштували в попередній вправі, з якістю моделі лише з головними ефектами. Оскільки набір даних невеликий, ми використаємо крос‑валідацію, щоб змоделювати передбачення на позавибіркових даних.

Ви почнете використовувати пакет dplyr для обчислень.

mutate() (docs) додає нові стовпці до tbl (різновид датафрейму)
group_by() (docs) задає групування рядків у tbl
summarize() (docs) обчислює підсумкові статистики стовпця

Ви також використаєте pivot_longer() з пакета tidyr (docs), який перетворює кілька стовпців у пари ключ–значення. Датафрейм alcohol і формули fmla_add та fmla_interaction уже завантажені.

Ця вправа є частиною курсу

Кероване навчання в R: регресія

Переглянути курс

Інструкції до вправи

Використайте kWayCrossValidation() (docs), щоб створити план розбиття для 3‑фолдної крос‑валідації.
- Перший аргумент — це кількість рядків, які потрібно розбити.
- Другий аргумент — це кількість фолдів для крос‑валідації.
- Третій і четвертий аргументи функції можете встановити в NULL.
Перегляньте й запустіть зразок коду, щоб отримати 3‑фолдні крос‑валідаційні передбачення моделі без взаємодій і записати їх у стовпець pred_add.
Отримайте 3‑фолдні крос‑валідаційні передбачення моделі з взаємодіями. Запишіть передбачення до стовпця pred_interaction.
- У зразку коду показано процедуру.
- Використайте той самий splitPlan, який ви вже створили.
Заповніть пропуски, щоб
- виконати pivot_longer для передбачень в один стовпець pred.
- додати стовпець залишків (фактичний результат − передбачення).
- отримати RMSE крос‑валідаційних передбачень для кожного типу моделі.
Порівняйте RMSE. Виходячи з результатів, яку модель варто використати?

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# alcohol is available
summary(alcohol)

# Both the formulae are available
fmla_add
fmla_interaction

# Create the splitting plan for 3-fold cross validation
set.seed(34245)  # set the seed for reproducibility
splitPlan <- ___(___(___), ___, ___, ___)

# Sample code: Get cross-val predictions for main-effects only model
alcohol$pred_add <- 0  # initialize the prediction vector
for(i in 1:3) {
  split <- splitPlan[[i]]
  model_add <- lm(fmla_add, data = alcohol[split$train, ])
  alcohol$pred_add[split$app] <- predict(model_add, newdata = alcohol[split$app, ])
}

# Get the cross-val predictions for the model with interactions
alcohol$pred_interaction <- 0 # initialize the prediction vector
for(i ___ ___) {
  split <- ___
  model_interaction <- lm(___, data = alcohol[split$train, ])
  alcohol$___[split$app] <- predict(___, newdata = alcohol[split$app, ])
}

# Get RMSE
alcohol %>% 
  pivot_longer(cols=c('pred_add', 'pred_interaction'), names_to='modeltype', values_to='pred') %>%
  mutate(residuals = ____) %>%      
  group_by(modeltype) %>%
  summarize(rmse = ___(___(___)))

Редагувати та запускати код