在测试数据上用大豆模型进行预测

在本练习中，您将把上一个练习中的大豆模型（model.lin 和 model.gam，已加载）应用到新数据：soybean_test。

本练习是课程的一部分

R 中的监督学习：回归

练习说明

使用线性模型 model.lin 生成预测，创建列 soybean_test$pred.lin。
使用 GAM 模型 model.gam 生成预测，创建列 soybean_test$pred.gam。
- 对于 GAM 模型，predict() 方法返回的是矩阵，请用 as.numeric() 将矩阵转换为向量。
填空，将预测列使用 pivot_longer() 转为长表，键列为 modeltype，数值列为 pred。将该长数据框命名为 soybean_long。
计算并比较两个模型的 RMSE。
- 哪个模型表现更好？
运行代码，将每个模型的预测与真实的平均叶片重量进行比较。
- 绘制 weight 随 Time 变化的散点图。
- 绘制预测值（pred）随 Time 变化的点线图。
- 注意线性模型有时会预测出负的重量！GAM 模型会这样吗？

交互式实操练习

通过完成这段示例代码来试试这个练习。

# soybean_test is available
summary(soybean_test)

# Get predictions from linear model
soybean_test$pred.lin <- ___(___, newdata = ___)

# Get predictions from gam model
soybean_test$pred.gam <- ___(___(___, newdata = ___))

# Pivot the predictions into a "long" dataset
soybean_long <- soybean_test %>%
  pivot_longer(cols = c(___, ___), names_to = ___, values_to = ___)

# Calculate the rmse
soybean_long %>%
  mutate(residual = weight - pred) %>%     # residuals
  group_by(modeltype) %>%                  # group by modeltype
  summarize(rmse = ___(___(___))) # calculate the RMSE

# Compare the predictions against actual weights on the test data
soybean_long %>%
  ggplot(aes(x = Time)) +                          # the column for the x axis
  geom_point(aes(y = weight)) +                    # the y-column for the scatterplot
  geom_point(aes(y = pred, color = modeltype)) +   # the y-column for the point-and-line plot
  geom_line(aes(y = pred, color = modeltype, linetype = modeltype)) + # the y-column for the point-and-line plot
  scale_color_brewer(palette = "Dark2")

编辑并运行代码