bike01

Published

May 17, 2023

Aufgabe

Kann man die Anzahl gerade verliehener Fahrräder eines entsprechenden Anbieters anhand der Temperatur vorhersagen?

In dieser Übung untersuchen wir diese Frage.

Sie können die Daten von der Webseite der UCI herunterladen.

Wir beziehen uns auf den Datensatz day.

Berechnen Sie ein lineares Modell mit der Anzahl der aktuell vermieteten Räder als AV und der aktuellen Temperatur als UV!

Geben Sie den MSE an!

Lösung

library(tidymodels)
library(tidyverse)

d <- read.csv("/Users/sebastiansaueruser/datasets/Bike-Sharing-Dataset/day.csv")

glimpse(d)

Data split

set.seed(42)
split_vec <- initial_split(d, strata = cnt)

d_train <- training(split_vec)
d_test <- testing(split_vec)

Define recipe

rec1 <- 
  recipe(cnt ~ temp, data = d)

Define model

m1 <-
  linear_reg()

Workflow

wf1 <-
  workflow() %>% 
  add_model(m1) %>% 
  add_recipe(rec1)

Fit

fit1 <- last_fit(wf1, split_vec)
fit1

Model performance (metrics) in test set

fit1 %>% collect_metrics()

MSE <- fit1 %>% collect_metrics() %>% pluck(3, 1)
MSE

Solution:

Categories:

statlearning
tidymodels
num

---
exname: bike01
extype: num
exsolution: r fmt(sol)
exshuffle: no
expoints: 1
categories:
- statlearning
- tidymodels
- num
date: '2023-05-17'
slug: bike01
title: bike01
execute:
  eval: false
  error: true
---






```{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

Kann man die Anzahl gerade verliehener Fahrräder eines entsprechenden Anbieters anhand der Temperatur vorhersagen?

In dieser Übung untersuchen wir diese Frage.

Sie können die Daten von der [Webseite der UCI](https://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset#) herunterladen.

Wir beziehen uns auf den Datensatz `day`.

Berechnen Sie ein lineares Modell mit der Anzahl der aktuell vermieteten Räder als AV und der aktuellen Temperatur als UV!

Geben Sie den MSE an!

[Hinweise](https://sebastiansauer.github.io/Lehre/Hinweise/Hinweise-Bearbeitung.html)





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

# Lösung

```{r}
library(tidymodels)
library(tidyverse)
```



```{r}
d <- read.csv("/Users/sebastiansaueruser/datasets/Bike-Sharing-Dataset/day.csv")
```


```{r}
glimpse(d)
```

## Data split

```{r}
set.seed(42)
split_vec <- initial_split(d, strata = cnt)

d_train <- training(split_vec)
d_test <- testing(split_vec)
```



## Define recipe

```{r}
rec1 <- 
  recipe(cnt ~ temp, data = d)
```



## Define model


```{r}
m1 <-
  linear_reg()
```




## Workflow


```{r}
wf1 <-
  workflow() %>% 
  add_model(m1) %>% 
  add_recipe(rec1) 
```



## Fit

```{r}
fit1 <- last_fit(wf1, split_vec)
fit1
```



## Model performance (metrics) in test set

```{r}
fit1 %>% collect_metrics()
```

```{r}
MSE <- fit1 %>% collect_metrics() %>% pluck(3, 1)
MSE
```



**Solution**:


```{r echo=FALSE}
sol <- MSE
```




---

Categories: 

- statlearning
- tidymodels
- num