可视化 xgboost 自行车租赁模型

到目前为止，您已经看到 3 种对自行车租赁数据建模的方法。在这个示例中，梯度提升模型的 RMSE 最小。为了结束本课程，让我们把梯度提升模型的预测与另外两个模型按时间进行比较。

完成此练习后，您就完成了整门课程。恭喜！现在，您已经具备将多种方法应用于回归任务的工具。

包含预测结果的数据框 bikesAugust 已预加载。图形对象 quasipoisson_plot 和 randomforest_plot 也可用。

本练习是课程的一部分

R 中的监督学习：回归

查看课程

练习说明

打印 quasipoisson_plot，回顾 quasipoisson 模型的表现。
打印 randomforest_plot，回顾随机森林模型的表现。
填空以绘制梯度提升的预测值与实际计数，在 8 月前 14 天按小时显示。
- 对 cnt 和 gbm 的列名使用 pivot_longer()，将数值列命名为 value，键列命名为 valuetype。
- 将 value 作为 instant（天）的函数进行绘图。

梯度提升模型相较于前两个模型如何？

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Print quasipoisson_plot
___

# Print randomforest_plot
___

# Plot predictions and actual bike rentals as a function of time (days)
bikesAugust %>% 
  mutate(instant = (instant - min(instant))/24) %>%  # set start to 0, convert unit to days
  filter(instant < 14) %>% # first two weeks
  pivot_longer(c(___, ___), names_to = ___, values_to = ___) %>%
  ggplot(aes(x = ___, y = ___, color = valuetype, linetype = valuetype)) + 
  geom_point() + 
  geom_line() + 
  scale_x_continuous("Day", breaks = 0:14, labels = 0:14) + 
  scale_color_brewer(palette = "Dark2") + 
  ggtitle("Predicted August bike rentals, Gradient Boosting model")

编辑并运行代码