1. Learn
    2. /
  2. Курси
    3. /
  3. Кероване навчання в R: регресія
Connected

Вправа

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.

Інструкції

100 XP
  • 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?