Xây dựng mô hình tốt hơn
Trước đó bạn đã xây dựng một tập mô hình đơn giản để khớp life expectancy bằng đặc trưng year. Phân tích trước cho thấy một số mô hình khớp chưa tốt.
Trong bài này bạn sẽ xây dựng các mô hình hồi quy bội cho từng quốc gia, sử dụng tất cả các đặc trưng sẵn có. Bạn có thể muốn so sánh hiệu năng của bốn mô hình khớp kém nhất, vì vậy adjusted \(R^2\) của chúng được cung cấp bên dưới:
| Country | Adjusted \(R^2\) |
|---|---|
| Botswana | -0.0060772 |
| Lesotho | -0.0169851 |
| Zambia | 0.1668999 |
| Zimbabwe | 0.2083979 |
Bài tập này là một phần của khóa học
Machine Learning trong tidyverse
Hướng dẫn bài tập
- Xây dựng mô hình tuyến tính cho từng quốc gia để dự đoán
life_expectancybằng mọi đặc trưng trong tập dữ liệu. - Thêm một cột (
fit) chứa các thống kê độ khớp cho mỗi mô hình và đơn giản hóa data frame này. - In adjusted \(R^2\) trong
fullmodel_perfcủa bốn quốc gia từ data frameworst_fit.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Build a linear model for each country using all features
gap_fullmodel <- gap_nested %>%
mutate(model = map(data, ~lm(formula = ___, data = .x)))
fullmodel_perf <- gap_fullmodel %>%
# Extract the fit statistics of each model into data frames
mutate(fit = map(model, ~___(.x))) %>%
# Simplify the fit data frames for each model
unnest(___)
# View the performance for the four countries with the worst fitting four simple models you looked at before
fullmodel_perf %>%
___(country %in% worst_fit$country) %>%
select(country, adj.r.squared)