rf-usemodels

tidymodels

statlearning

template

string

Published

May 17, 2023

Aufgabe

Berechnen Sie ein prädiktives Modell mit dieser Modellgleichung:

body_mass_g ~ . (Datensatz: palmerpenguins::penguins).

Nutzen Sie usemodels!

Hinweise: - Tunen Sie mtry - Verwenden Sie Kreuzvalidierung - Verwenden Sie Standardwerte, wo nicht anders angegeben. - Fixieren Sie Zufallszahlen auf den Startwert 42.

Lösung

Vorbereitung:

# Setup:
library(tidymodels)
library(tidyverse)
library(tictoc)  # Zeitmessung


# Data:
d_path <- "https://vincentarelbundock.github.io/Rdatasets/csv/palmerpenguins/penguins.csv"
d <- read_csv(d_path)

# rm NA in the dependent variable:
d <- d %>% 
  drop_na(body_mass_g)


set.seed(42)
d_split <- initial_split(d)
d_train <- training(d_split)
d_test <- testing(d_split)

library(usemodels)
use_ranger(body_mass_g ~ ., data = d_train)

Oder die resultierende Syntax in die Zwischenablage kopieren lassen:

use_ranger(body_mass_g ~ ., data = d_train,
           clipboard = TRUE)  # kopiert Syntax in die Zwischenablage

Categories:

tidymodels
statlearning
template
string

---
exname: rf-usemodels
expoints: 1
extype: string
exsolution: NA
categories:
- tidymodels
- statlearning
- template
- string
date: '2023-05-17'
slug: rf-usemodels
title: rf-usemodels
execute: 
  error: true
  eval: false
---




# Aufgabe

<!-- Schreiben Sie eine Vorlage für eine prädiktive Analyse mit Tidymodels! -->

Berechnen Sie ein prädiktives Modell mit dieser Modellgleichung:

`body_mass_g ~ .` (Datensatz: palmerpenguins::penguins).


Nutzen Sie [`usemodels`](https://usemodels.tidymodels.org/)!

Hinweise:
- Tunen Sie `mtry`
- Verwenden Sie Kreuzvalidierung
- Verwenden Sie Standardwerte, wo nicht anders angegeben.
- Fixieren Sie Zufallszahlen auf den Startwert 42.






</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung

## Vorbereitung:

```{r}
# Setup:
library(tidymodels)
library(tidyverse)
library(tictoc)  # Zeitmessung


# Data:
d_path <- "https://vincentarelbundock.github.io/Rdatasets/csv/palmerpenguins/penguins.csv"
d <- read_csv(d_path)

# rm NA in the dependent variable:
d <- d %>% 
  drop_na(body_mass_g)


set.seed(42)
d_split <- initial_split(d)
d_train <- training(d_split)
d_test <- testing(d_split)

```



```{r}
library(usemodels)
use_ranger(body_mass_g ~ ., data = d_train)
```


Oder die resultierende Syntax in die Zwischenablage kopieren lassen:

```{r eval=FALSE}
use_ranger(body_mass_g ~ ., data = d_train,
           clipboard = TRUE)  # kopiert Syntax in die Zwischenablage
```






---

Categories: 

- tidymodels
- statlearning
- template
- string