tidymodels 中的 PCA

从建模角度看，PCA 可以用更少的特征来构建模型，同时仍能捕获原始数据中的大部分信息。不过，正如您所见，PCA 的一个缺点是模型难以解释。本练习中，您将使用房屋销售数据的一个子集来构建线性回归模型。目标变量为 price。

未提取主成分、直接基于原始数据构建的模型，其 RMSE 为 $236,461.4。您将使用 tidymodels 应用 PCA，并比较新的 RMSE。请记住，RMSE 越低越好。

tidyverse 和 tidymodels 包已为您加载。

本练习是课程的一部分

R 中的降维

查看课程

练习说明

使用 train 构建一个 PCA recipe，提取 5 个主成分。
使用默认的 linear_reg() 模型规范拟合一个 workflow。
使用 test 创建一个测试预测数据框，包含实际值和预测值。
计算该 PCA 降维线性回归模型的 RMSE。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码