tidymodels-ames-04

ds1

tidymodels

prediction

yacsda

statlearning

num

Published

May 17, 2023

Aufgabe

Berechnen Sie ein lineares Modell mit tidymodels und zwar anhand des ames Datensatzes.

Modellgleichung: Sale_Price ~ Gr_Liv_Area, data = ames.

Berechnen Sie ein multiplikatives (exponenzielles) Modell.

Gesucht ist R-Quadrat als Maß für die Modellgüte im TEST-Sample.

Hinweise:

Fixieren Sie die Zufallszahlen auf den Startwert 42.
Verwenden Sie die Funktion last_fit.

Lösung

library(tidymodels)
data(ames)

Multiplikatives Modell:

ames <- 
  ames %>% 
  mutate(Sale_Price = log10(Sale_Price)) %>% 
  select(Sale_Price, Gr_Liv_Area)

Nicht vergessen: AV-Transformation in beiden Samples!

Datensatz aufteilen:

set.seed(42)
ames_split <- initial_split(ames, prop = 0.80, strata = Sale_Price)
ames_train <- training(ames_split)
ames_test  <-  testing(ames_split)

Modell definieren:

m1 <-
  linear_reg() # engine ist "lm" im Default

Rezept definieren:

rec1 <- 
  recipe(Sale_Price ~ Gr_Liv_Area, data = ames)

Vorhersagen mit last_fit:

fit1_last <- last_fit(object = m1, preprocessor = rec1, split = ames_split)  
fit1_last

Wir bekommen ein Objekt, in dem Fit, Modellgüte, Vorhersagen und Hinweise enthalten sind.

Ohne Rezept lässt sich last_fit nicht anwenden.

Vorhersagen:

fit1_last %>% collect_predictions() %>% 
  head()

Modellgüte im Test-Sample:

fit1_last %>% collect_metrics()

R-Quadrat:

sol <- 0.517
sol

Categories:

ds1
tidymodels
prediction
yacsda
statlearning
num

---
exname: tidymodels-ames-04
extype: num
exsolution: r fmt(sol)
exshuffle: no
extol: 1
expoints: 1
categories:
- ds1
- tidymodels
- prediction
- yacsda
- statlearning
- num
date: '2023-05-17'
slug: tidymodels-ames-04
title: tidymodels-ames-04
execute:
  cache: true
  eval: false
---






```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      cache = TRUE,
                      echo = TRUE,
                      message = FALSE,
                      fig.show = "hold")

library(tidyverse)
library(exams)
```






# Aufgabe

Berechnen Sie ein lineares Modell mit tidymodels und zwar anhand des `ames` Datensatzes.

Modellgleichung: `Sale_Price ~ Gr_Liv_Area, data = ames`.

Berechnen Sie ein multiplikatives (exponenzielles) Modell.

Gesucht ist R-Quadrat als Maß für die Modellgüte im *TEST-Sample*.



*Hinweise*:

- Fixieren Sie die Zufallszahlen auf den Startwert 42.
- Verwenden Sie die Funktion `last_fit`.





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

# Lösung


```{r}
library(tidymodels)
data(ames)
```


Multiplikatives Modell:

```{r}
ames <- 
  ames %>% 
  mutate(Sale_Price = log10(Sale_Price)) %>% 
  select(Sale_Price, Gr_Liv_Area)
```

Nicht vergessen: AV-Transformation in beiden Samples!


Datensatz aufteilen:


```{r}
set.seed(42)
ames_split <- initial_split(ames, prop = 0.80, strata = Sale_Price)
ames_train <- training(ames_split)
ames_test  <-  testing(ames_split)
```



Modell definieren:

```{r}
m1 <-
  linear_reg() # engine ist "lm" im Default
```


Rezept definieren:



```{r}
rec1 <- 
  recipe(Sale_Price ~ Gr_Liv_Area, data = ames) 
```




Vorhersagen mit `last_fit`:


```{r}
fit1_last <- last_fit(object = m1, preprocessor = rec1, split = ames_split)  
fit1_last
```

Wir bekommen ein Objekt, in dem Fit, Modellgüte, Vorhersagen und Hinweise enthalten sind.

Ohne Rezept lässt sich `last_fit` nicht anwenden.

Vorhersagen:

```{r}
fit1_last %>% collect_predictions() %>% 
  head()
```


Modellgüte im Test-Sample:

```{r}
fit1_last %>% collect_metrics()
```



R-Quadrat:


```{r}
sol <- 0.517
sol
```











---

Categories: 

- ds1
- tidymodels
- prediction
- yacsda
- statlearning
- num