---exname: tidymodels-vorlage3expoints: 1extype: stringexsolution: NAcategories:- tidymodels- statlearning- template- stringdate: '2023-11-15'slug: tidymodels-vorlage3title: tidymodels-vorlage3---# Aufgabe<!-- Schreiben Sie eine Vorlage für eine prädiktive Analyse mit Tidymodels! -->Schreiben Sie eine prototypische Analyse für ein Vorhersagemodell, das sich als Vorlage für Analysen dieser Art eignet!Verzichten Sie auf Resampling und Tuning.Hinweise:- Berechnen Sie ein Modell- Tunen Sie keinen Parameter des Modells- Verwenden Sie keine 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```{r}# Setup:library(tidymodels)library(tidyverse)library(tictoc) # Zeitmessunglibrary(easystats) # NAs zählen# Data:d_path <-"https://vincentarelbundock.github.io/Rdatasets/csv/palmerpenguins/penguins.csv"d <-read_csv(d_path)set.seed(42)d_split <-initial_split(d)d_train <-training(d_split)d_test <-testing(d_split)# model:mod1 <-rand_forest(mode ="regression")# cv:set.seed(42)rsmpl <-vfold_cv(d_train)# recipe:rec1 <-recipe(body_mass_g ~ ., data = d_train) |>step_unknown(all_nominal_predictors(), new_level ="NA") |>step_naomit(all_predictors()) |>step_dummy(all_nominal_predictors()) |>step_zv(all_predictors()) |>step_normalize(all_predictors()) # workflow:wf1 <-workflow() %>%add_model(mod1) %>%add_recipe(rec1)# tuning:tic()wf1_fit <- wf1 %>%last_fit(split = d_split)toc()collect_metrics(wf1_fit)```Als Check: Das gepreppte/bebackene Rezept:```{r}rec1_prepped <-prep(rec1)d_train_baked <-bake(rec1_prepped, new_data =NULL)``````{r}d_train_baked |>head()``````{r}describe_distribution(d_train_baked)```---Categories: - tidymodels- statlearning- template- string