Прогнозування прокату велосипедів за допомогою моделі random forest

У цій вправі ви використаєте модель, яку побудували в попередній вправі, щоб передбачити прокат велосипедів за серпень.

Функція predict() (docs) для моделі ranger повертає список. Один з елементів цього списку — predictions, вектор прогнозованих значень. Ви можете звернутися до predictions за допомогою нотації $ для доступу до іменованих елементів списку:

predict(model, data)$predictions

Модель bike_model_rf і набір даних bikesAugust (для оцінювання) уже завантажені.

Ця вправа є частиною курсу

Кероване навчання в R: регресія

Переглянути курс

Інструкції до вправи

Викличте predict() для bikesAugust, щоб спрогнозувати кількість орендованих у серпні велосипедів (cnt). Додайте прогнози до bikesAugust як стовпчик pred.
Заповніть пропуски, щоб обчислити корінь середньоквадратичної помилки прогнозів (RMSE).
- Побудована вами для цих даних пуассонівська модель дала RMSE близько 112,6. Як порівнюється цей результат із новою моделлю?
Заповніть пропуски, щоб побудувати графік фактичних значень прокату (cnt) проти прогнозів (pred по осі x).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# bikesAugust is available
str(bikesAugust)

# bike_model_rf is available
bike_model_rf

# Make predictions on the August data
bikesAugust$pred <- ___(___, ___)$___

# Calculate the RMSE of the predictions
bikesAugust %>% 
  mutate(residual = ___)  %>% # calculate the residual
  summarize(rmse  = ___)      # calculate rmse

# Plot actual outcome vs predictions (predictions on x-axis)
ggplot(bikesAugust, aes(x = ___, y = ___)) + 
  geom_point() + 
  geom_abline()

Редагувати та запускати код