1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Học có giám sát với R: Hồi quy
Connected

Bài tập

Khớp mô hình để dự đoán số lượt thuê xe đạp

Trong bài tập này, bạn sẽ xây dựng một mô hình để dự đoán số xe đạp được thuê trong một giờ dựa trên thời tiết, loại ngày (ngày lễ, ngày làm việc, hoặc cuối tuần), và thời điểm trong ngày. Bạn sẽ huấn luyện mô hình trên dữ liệu của tháng Bảy.

Data frame có các cột:

  • cnt: số xe đạp được thuê trong giờ đó (biến đầu ra)
  • hr: giờ trong ngày (0-23, kiểu factor)
  • holiday: TRUE/FALSE
  • workingday: TRUE nếu không phải ngày lễ cũng không phải cuối tuần, ngược lại FALSE
  • weathersit: phân loại, "Clear to partly cloudy"/"Light Precipitation"/"Misty"
  • temp: nhiệt độ chuẩn hóa theo độ C
  • atemp: nhiệt độ "cảm nhận" đã chuẩn hóa theo độ C
  • hum: độ ẩm đã chuẩn hóa
  • windspeed: tốc độ gió đã chuẩn hóa
  • instant: chỉ số thời gian -- số giờ kể từ khi bắt đầu bộ dữ liệu (không phải biến)
  • mnth và yr: chỉ số tháng và năm (không phải biến)

Hãy nhớ rằng bạn phải chỉ định family = poisson hoặc family = quasipoisson khi dùng glm() (docs) để khớp mô hình đếm.

Vì có khá nhiều biến đầu vào, để tiện lợi chúng ta sẽ chỉ định biến đầu ra và biến đầu vào vào các biến, và dùng paste() (docs) để ghép thành một chuỗi biểu diễn công thức mô hình.

Data frame bikesJuly đã sẵn sàng để dùng. Tên của biến đầu ra và các biến đầu vào cũng đã được nạp vào các biến outcome và vars tương ứng.

Hướng dẫn

100 XP
  • Điền vào chỗ trống để tạo công thức fmla biểu diễn cnt như một hàm của các biến đầu vào. In ra.
  • Tính trung bình (mean()) và phương sai (var()) của bikesJuly$cnt.
    • Bạn nên dùng hồi quy poisson hay quasipoisson?
  • Dùng glm() để khớp mô hình cho dữ liệu bikesJuly: bike_model.
  • Dùng glance() để xem các thống kê độ khớp của mô hình. Gán đầu ra của glance() vào biến perf.
  • Tính pseudo-R-squared của mô hình.