输入变换："冰球杆"
在本练习中，您将基于房屋面积（表面积）来构建一个预测价格的模型。已为您加载的 houseprice 数据集包含以下列：
price：房价，单位为 $1000size：表面积
数据的散点图显示出明显的非线性关系：类似"冰球杆"形状，小户型的价格相对平缓，而随着面积增大，价格急剧上升。二次项和三次项通常是表达这类冰球杆关系的合适函数形式。请注意，price 与 size 的平方之间未必有"物理"上的因果关系；二次式只是对观测到的关系的一种闭式近似。
您将拟合一个模型，用面积的平方来预测价格，并查看其在训练数据上的拟合效果。
由于 ^ 也用于表示交互项，请使用函数 I()（文档）将表达式 x^2 按"原样"处理：也就是说，视为 x 的平方，而不是 x 与自身的交互。
exampleFormula = y ~ I(x^2)
本练习是课程的一部分
R 中的监督学习：回归
练习说明
- 编写一个公式
fmla_sqr，将 price 表示为 size 的平方的函数。打印它。 - 使用
fmla_sqr拟合模型model_sqr。 - 作为对比，使用公式
price ~ size拟合线性模型model_lin。 - 填空以：
- 使用这两个模型对训练数据进行预测。
- 使用
pivot_longer()将预测值透视为单列pred。 - 将两个模型的预测与数据进行图形对比。哪个拟合得更好？
交互式实操练习
通过完成这段示例代码来试试这个练习。
# houseprice is available
summary(houseprice)
# Create the formula for price as a function of squared size
(fmla_sqr <- ___)
# Fit a model of price as a function of squared size (use fmla_sqr)
model_sqr <- ___
# Fit a model of price as a linear function of size
model_lin <- ___
# Make predictions and compare
houseprice %>%
mutate(pred_lin = ___(___), # predictions from linear model
pred_sqr = ___(___)) %>% # predictions from quadratic model
pivot_longer(cols = c('pred_lin', 'pred_sqr'), names_to = 'modeltype', values_to = 'pred') %>% # pivot the predictions
ggplot(aes(x = size)) +
geom_point(aes(y = ___)) + # actual prices
geom_line(aes(y = ___, color = modeltype)) + # the predictions
scale_color_brewer(palette = "Dark2")