Візуалізуйте модель прокату велосипедів xgboost

Ви вже бачили три різні способи моделювання даних про прокат велосипедів. У цьому прикладі ви побачили, що модель градієнтного бустингу має найменший RMSE. Щоб завершити курс, порівняймо передбачення моделі градієнтного бустингу з іншими двома моделями як функцію часу.

Виконавши цю вправу, ви завершите курс. Вітаємо! Тепер у вас є інструменти, щоб застосовувати різні підходи до задач регресії.

Датафрейм bikesAugust із передбаченнями вже завантажено. Також доступні графіки quasipoisson_plot і randomforest_plot.

Ця вправа є частиною курсу

Кероване навчання в R: регресія

Переглянути курс

Інструкції до вправи

Виведіть quasipoisson_plot, щоб переглянути поведінку моделі quasipoisson.
Виведіть randomforest_plot, щоб переглянути поведінку моделі random forest.
Заповніть пропуски, щоб побудувати передбачення градієнтного бустингу та фактичні підрахунки за годину для перших 14 днів серпня.
- Застосуйте pivot_longer() до назв стовпців cnt та gbm у стовпець під назвою value з ключем valuetype.
- Побудуйте value як функцію instant (дня).

Як модель градієнтного бустингу порівнюється з попередніми моделями?

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Print quasipoisson_plot
___

# Print randomforest_plot
___

# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>% 
  mutate(instant = (instant - min(instant))/24) %>%  # set start to 0, convert unit to days
  filter(instant < 14) %>% # first two weeks
  pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
  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, Gradient Boosting model")

Редагувати та запускати код