PCA trong tidymodels
Từ góc độ xây dựng mô hình, PCA cho phép bạn tạo các mô hình với ít đặc trưng hơn nhưng vẫn nắm bắt phần lớn thông tin trong dữ liệu gốc. Tuy nhiên, như bạn đã thấy, một nhược điểm của PCA là khó diễn giải mô hình. Trong bài tập này, bạn sẽ tập trung xây dựng một mô hình hồi quy tuyến tính trên một tập con dữ liệu bán nhà. Biến mục tiêu là price.
Một mô hình xây trực tiếp từ dữ liệu mà không trích xuất các thành phần chính có RMSE là $236,461.4. Bạn sẽ áp dụng PCA với tidymodels và so sánh RMSE mới. Hãy nhớ, RMSE càng thấp càng tốt.
Các gói tidyverse và tidymodels đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Giảm Chiều Dữ Liệu với R
Hướng dẫn bài tập
- Xây dựng một recipe PCA dùng
trainđể trích xuất năm thành phần chính. - Fit một workflow với đặc tả mô hình mặc định
linear_reg(). - Tạo một data frame dự đoán trên tập
testbao gồm cả giá trị thực tế và giá trị dự đoán. - Tính RMSE cho mô hình hồi quy tuyến tính sau khi giảm chiều bằng PCA.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Build a PCA recipe
pca_recipe <- ___(___ ~ ___ , data = ___) %>%
___(___()) %>%
___(___(), num_comp = ___)
# Fit a workflow with a default linear_reg() model spec
house_sales_fit <- ___(preprocessor = ___, spec = ___()) %>%
___(___)
# Create prediction df for the test set
house_sales_pred_df <- ___(___, test) %>%
___(test %>% select(___))
# Calculate the RMSE
___(house_sales_pred_df, ___, .pred)