tidymodels-poly01

R

statlearning

tidymodels

num

Published

May 17, 2023

Aufgabe

Fitten Sie ein Polynomial-Modell für folgende Modellgleichung:

body_mass_g ~ bill_length_mm.

Gesucht ist der optimale Polynomgrad im Train-Sample (optimal hinsichtlich minimalem Prognosefehler).

Hinweise:

Datensatz penguins (palmerpenguins)
Verwenden Sie Tidymodels
Fitten Sie Polynome des Grades 1 bis 10.
Definieren Sie die Polynomegrade als Tuningparameter.
Beziehen Sie sich auf RMSE als Kennzahl der Modellgüte.
Entfernen Sie fehlende Werte in den Prädiktoren

Lösung

Setup:

library(tidymodels)
data(penguins, package = "palmerpenguins")

Rezept:

rec1 <- 
  recipe(body_mass_g ~ bill_length_mm, data = penguins) %>% 
  step_naomit(all_predictors()) %>% 
  step_poly(all_predictors(), degree = tune()) %>% 
  update_role(contains("_poly_"), new_role = "predictor")

Check:

d_baked <- bake(prep(rec1), new_data = NULL)

Workflow:

wf1 <-
  workflow() %>% 
  add_model(linear_reg()) %>% 
  add_recipe(rec1)

Rezepte mit Tuningparametern kann man nicht preppen/backen.

Tuning:

tune1 <-
  tune_grid(
    wf1,
    resamples = vfold_cv(data = penguins),
    metrics = metric_set(rmse),
    grid = grid_regular(degree(range = c(1, 10)),
                               levels = 10)
  )

autoplot(tune1)

show_best(tune1)

degree	.metric	.estimator	mean	n	std_err	.config
2	rmse	standard	643.1677	10	20.66274	pre02_mod0_post0
5	rmse	standard	645.4780	10	24.29428	pre05_mod0_post0
4	rmse	standard	646.3220	10	23.06755	pre04_mod0_post0
1	rmse	standard	647.6321	10	18.48407	pre01_mod0_post0
3	rmse	standard	647.6829	10	24.19864	pre03_mod0_post0

sol <- show_best(tune1)$degree[1]
sol

[1] 2

Die Antwort lautet: 2.

Categories:

R
statlearning
tidymodels
num

---
exname: tidymodels-poly01
extype: num
exsolution: r fmt(sol)
exshuffle: no
expoints: 1
categories:
- R
- statlearning
- tidymodels
- num
date: '2023-05-17'
slug: tidymodels-poly01
title: tidymodels-poly01

---






```{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

Fitten Sie ein Polynomial-Modell für folgende Modellgleichung:

`body_mass_g ~ bill_length_mm`.

Gesucht ist der optimale Polynomgrad im Train-Sample (optimal hinsichtlich minimalem Prognosefehler).

Hinweise:

- Datensatz `penguins` (palmerpenguins)
- Verwenden Sie Tidymodels
- Fitten Sie Polynome des Grades 1 bis 10.
- Definieren Sie die Polynomegrade als Tuningparameter.
- Beziehen Sie sich auf RMSE als Kennzahl der Modellgüte.
- Entfernen Sie fehlende Werte in den Prädiktoren


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

# Lösung


Setup:

```{r}
library(tidymodels)
data(penguins, package = "palmerpenguins")
```


Rezept:

```{r}
rec1 <- 
  recipe(body_mass_g ~ bill_length_mm, data = penguins) %>% 
  step_naomit(all_predictors()) %>% 
  step_poly(all_predictors(), degree = tune()) %>% 
  update_role(contains("_poly_"), new_role = "predictor")
```



Check:

```{r eval = FALSE}
d_baked <- bake(prep(rec1), new_data = NULL)
```



Workflow:

```{r}
wf1 <-
  workflow() %>% 
  add_model(linear_reg()) %>% 
  add_recipe(rec1)
```


Rezepte mit Tuningparametern kann man nicht preppen/backen.



Tuning:

```{r}
tune1 <-
  tune_grid(
    wf1,
    resamples = vfold_cv(data = penguins),
    metrics = metric_set(rmse),
    grid = grid_regular(degree(range = c(1, 10)),
                               levels = 10)
  )
```





```{r}
autoplot(tune1)
```


```{r}
show_best(tune1)
```





```{r}
sol <- show_best(tune1)$degree[1]
sol
```


Die Antwort lautet: `r sol`.



---

Categories: 

- R
- statlearning
- tidymodels
- num