library(tidymodels)
data(penguins, package = "palmerpenguins")wfsets_penguins01
R
statlearning
tidymodels
num
wfsets
Aufgabe
Berechnen Sie die Vorhersagegüte (RMSE) für folgende Lernalgorithmen:
- lineares Modell
- knn (neighbors: tune)
Modellgleichung: body_mass_g ~ bill_length_mm, data = d_train.
Nutzen Sie minimale Vorverarbeitung.
Lösung
Setup
Daten
d <-
penguins %>%
drop_na()d_split <- initial_split(d)
d_train <- training(d_split)
d_test <- testing(d_split)Modelle
Lineares Modell:
mod_lin <- linear_reg()
mod_knn <- nearest_neighbor(mode = "regression",
neighbors = tune())Rezepte
rec_basic <- recipe(body_mass_g ~ bill_length_mm, data = d_train) %>%
step_normalize(all_predictors())Resampling
rsmpls <- vfold_cv(d_train)Workflow Set
wf_set <-
workflow_set(
preproc = list(rec_simple = rec_basic),
models = list(mod_lm = mod_lin,
mod_nn = mod_knn)
)Fitten
wf_fit <-
wf_set %>%
workflow_map(resamples = rsmpls)Check:
wf_fit %>% pluck("result")Bester Kandidat
autoplot(wf_fit)
autoplot(wf_fit, select_best = TRUE)
rank_results(wf_fit, rank_metric = "rmse") %>%
filter(.metric == "rmse")Am besten war das lineare Modell, aber schauen wir uns auch mal das knn-Modell an, v.a. um zu wissen, wie man den besten Tuningparameter-Wert sieht:
extract_workflow_set_result(wf_fit, "rec_simple_mod_nn") %>%
select_best()Last Fit
best_wf <-
wf_fit %>%
extract_workflow("rec_simple_mod_lm")Finalisieren müssen wir diesen Workflow nicht, da er keine Tuningparameter hatte.
fit_final <-
best_wf %>%
last_fit(d_split)Modellgüte im Test-Set
collect_metrics(fit_final)Categories:
- R
- statlearning
- tidymodels
- num