Reamostragem de bootstrap com dados de produção de cerveja #TidyTuesday[0][Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon Rstats em Julia Silge, e gentilmente contribuiu para os R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui) Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver. Venho publicando screencasts demonstrando como usar a estrutura tidymodels, desde as primeiras etapas da modelagem até como ajustar modelos mais complexos. Hoje, estou usando esta semana #TidyTuesday conjunto de dados na produção de cerveja para mostrar como usar a reamostragem de autoinicialização para estimar os parâmetros do modelo. Aqui está o código que usei no vídeo, para quem prefere ler em vez de ou além do vídeo. Explore os dados Nosso objetivo de modelagem aqui é estimar quanto açúcar produtores de cerveja usam em relação a malte de acordo com o conjunto de dados #TidyTuesday. Usaremos a reamostragem de autoinicialização para fazer isso! Primeiro, vamos analisar os dados sobre os materiais de fermentação. library(tidyverse) brewing_materials_raw % count(type, wt = month_current, sort = TRUE) ## # A tibble: 12 x 2 ## type n ## ## 1 Total Used 53559516695 ## 2 Total Grain products 44734903124 ## 3 Malt and malt products 32697313882 ## 4 Total Non-Grain products 8824613571 ## 5 Sugar and syrups 6653104081 ## 6 Rice and rice products 5685742541 ## 7 Corn and corn products 5207759409 ## 8 Hops (dry) 1138840132 ## 9 Other 998968470 ## 10 Barley and barley products 941444745 ## 11 Wheat and wheat products 202642547 ## 12 Hops (used as extracts) 33700888 Como alguns materiais diferentes de fabricação de cerveja mudaram ao longo do tempo? brewing_filtered % filter( type %in% c( “Malt and malt products”, “Sugar and syrups”, “Hops (dry)” ), year % mutate( date = paste0(year, “-“, month, “-01”), date = lubridate::ymd(date) ) brewing_filtered %>% ggplot(aes(date, month_current, color = type)) + geom_point() Existem fortes padrões anuais nesses materiais. Queremos medir quanto os produtores de cerveja com açúcar usam em relação ao malte. brewing_materials % select(date, type, month_current) %>% pivot_wider( names_from = type, values_from = month_current ) %>% janitor::clean_names() brewing_materials ## # A tibble: 94 x 4 ## date malt_and_malt_products sugar_and_syrups hops_dry ## ## 1 2008-01-01 374165152 78358212 4506546 ## 2 2008-02-01 355687578 80188744 1815271 ## 3 2008-03-01 399855819 78907213 6067167 ## 4 2008-04-01 388639443 81199989 6864440 ## 5 2008-05-01 411307544 89946309 7470130 ## 6 2008-06-01 415161326 81012422 7361941 ## 7 2008-07-01 405393784 76728131 1759452 ## 8 2008-08-01 389391266 83928121 5992025 ## 9 2008-09-01 362587470 71982604 3788942 ## 10 2008-10-01 353803777 42828943 3788949 ## # … with 84 more rows brewing_materials %>% ggplot(aes(malt_and_malt_products, sugar_and_syrups)) + geom_smooth(method = “lm”) + geom_point() Há muita variação nesse relacionamento, mas os reprodutores de cerveja usam mais açúcar quando usam mais malte. Qual é a relação? library(tidymodels) beer_fit |t|) ## malt_and_malt_products 0.205804 0.003446 59.72
; r.parentNode.insertBefore (s, r);
} (documento, ‘script’));
Para Deixe um comentário para o autor, siga o link e comente no blog: Rstats em Julia Silge.
R-bloggers.com oferece atualizações diárias por email sobre notícias e tutoriais do R sobre o aprendizado do R e muitos outros tópicos. Clique aqui se você deseja publicar ou encontrar um emprego em ciência da dados / R.
Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.
