Tự động hóa dự đoán cho các căn nhà "mới"

Giờ hãy lặp lại những gì bạn đã làm ở bài trước, nhưng theo cách tự động, giả sử thông tin về các căn nhà "mới" này đã được lưu trong một dataframe.

Mô hình của bạn cho log10_price theo log10_size và biến nhị phân waterfront (model_price_4) đã có sẵn trong không gian làm việc, và new_houses_2 cũng vậy — một dataframe chứa dữ liệu về 2 căn nhà mới. Dù với chỉ 2 căn nhà "mới" thì không lợi nhiều, cách này sẽ tiết kiệm rất nhiều công sức nếu bạn có 2000 căn nhà "mới".

Bài tập này là một phần của khóa học

Mô hình hóa với dữ liệu trong Tidyverse

Xem khóa học

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# View the "new" houses
new_houses_2

# Get predictions on "new" houses
___

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Mô hình hóa với dữ liệu trong Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Chương này sẽ giới thiệu cho bạn một số lý thuyết nền tảng và thuật ngữ về mô hình hóa, cụ thể là khung mô hình tổng quát, sự khác nhau giữa mô hình hóa để giải thích và mô hình hóa để dự đoán, và bài toán mô hình hóa. Bên cạnh đó, bạn sẽ bắt đầu thực hiện phân tích dữ liệu khám phá đầu tiên — một bước khởi đầu quan trọng trước bất kỳ mô hình hóa chính thức nào.

Exercise 1: Kiến thức nền về mô hình hóa để giải thích Exercise 2: Trực quan thăm dò về tuổi Exercise 3: Tóm tắt số liệu cho tuổi Exercise 4: Kiến thức nền về mô hình hóa cho dự đoán Exercise 5: Khám phá trực quan về kích thước nhà Exercise 6: Biến đổi log10 cho diện tích nhà Exercise 7: Bài toán mô hình hóa để giải thích Exercise 8: EDA về mối quan hệ giữa điểm đánh giá giảng dạy và điểm "đẹp"Exercise 9: Tương quan giữa điểm giảng dạy và điểm "đẹp"Exercise 10: Bài toán mô hình hóa cho mục tiêu dự đoán Exercise 11: EDA về mối quan hệ giữa giá nhà và mặt nước Exercise 12: Dự đoán giá nhà với waterfront

Với hiểu biết về khung mô hình tổng quát, ở chương này, chúng ta sẽ đề cập đến hồi quy tuyến tính cơ bản, nơi bạn giữ mọi thứ đơn giản và mô hình hóa biến kết quả y như một hàm của một biến giải thích/dự báo x duy nhất. Chúng ta sẽ dùng cả biến x dạng số và dạng phân loại. Biến kết quả được quan tâm trong chương này sẽ là điểm đánh giá giảng dạy của các giảng viên tại Đại học Texas, Austin.

Exercise 1: Giải thích điểm đánh giá giảng dạy bằng tuổi Exercise 2: Vẽ đường hồi quy "khớp tốt nhất"Exercise 3: Khớp hồi quy với biến x dạng số Exercise 4: Dự đoán điểm giảng dạy dựa trên tuổi Exercise 5: Dự đoán bằng "điểm ngoại hình"Exercise 6: Tính giá trị khớp/dự đoán & phần dư Exercise 7: Giải thích điểm đánh giá giảng dạy theo giới tính Exercise 8: Khám phá mối quan hệ giữa score và rank Exercise 9: Khớp hồi quy với biến phân loại x Exercise 10: Dự đoán điểm đánh giá giảng dạy dựa trên giới tính Exercise 11: Dự đoán bằng cách dùng rank Exercise 12: Trực quan hóa phân phối của phần dư

Ở chương trước, bạn đã học về hồi quy cơ bản với một biến dự báo dạng số hoặc dạng phân loại. Nhưng tại sao lại chỉ giới hạn ở một biến để hỗ trợ giải thích/dự đoán? Giờ bạn sẽ mở rộng hồi quy cơ bản thành hồi quy bội, cho phép đưa vào nhiều hơn một biến giải thích hoặc biến dự báo trong mô hình. Bạn sẽ mô hình hóa giá nhà bằng một bộ dữ liệu các căn nhà ở khu vực đô thị Seattle, WA.

Exercise 1: Giải thích giá nhà theo năm xây dựng và diện tích Exercise 2: EDA về mối quan hệ Exercise 3: Khớp một mô hình hồi quy Exercise 4: Dự đoán giá nhà dựa trên năm xây dựng và diện tích Exercise 5: Dự đoán giá bằng diện tích và số phòng ngủ Exercise 6: Diễn giải phần dư (residual)Exercise 7: Giải thích giá nhà bằng diện tích và tình trạng Exercise 8: Mô hình đường dốc song song Exercise 9: Diễn giải mô hình độ dốc song song Exercise 10: Dự đoán giá nhà theo diện tích và tình trạng Exercise 11: Dự đoán dựa trên diện tích và tầm nhìn ra mặt nước Exercise 12: Tự động hóa dự đoán cho các căn nhà "mới"

Bài tập hiện tại

Ở các chương trước, bạn đã khớp nhiều mô hình để giải thích hoặc dự đoán một biến kết quả quan tâm. Tuy nhiên, làm sao biết nên chọn mô hình nào? Các thước đo đánh giá mô hình cho phép bạn đánh giá mức độ một mô hình giải thích "phù hợp" với một bộ dữ liệu hoặc độ chính xác của một mô hình dự báo. Dựa trên các thước đo này, bạn sẽ tìm hiểu về các tiêu chí để xác định mô hình nào là "tốt nhất".

Exercise 1: Đánh giá và lựa chọn mô hình Exercise 2: Ôn tập: tổng bình phương phần dư Exercise 3: Chọn mô hình nào?Exercise 4: Đánh giá độ phù hợp của mô hình với R-squared Exercise 5: Tính R-squared của một mô hình Exercise 6: So sánh R-squared của hai mô hình Exercise 7: Đánh giá dự đoán bằng RMSE Exercise 8: Tính MSE & RMSE của một mô hình Exercise 9: So sánh RMSE của hai mô hình Exercise 10: Khung dự đoán với tập validation Exercise 11: Khớp mô hình với dữ liệu huấn luyện Exercise 12: Dự đoán trên dữ liệu kiểm tra Exercise 13: Kết luận - Tiếp theo bạn nên đi hướng nào?