Accéder au contenu principal
AccueilR

Projet

Predict Taxi Fares with Random Forests

Débutant
Actualisé 09/2024
Use regression trees and random forests to find places where New York taxi drivers earn the most.
Démarrer le projet gratuitement

Inclus avecPremium or Teams

RData VisualizationMachine Learning45 minutes11 Tasks1,500 XP8,888

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.
Group

Formation de 2 personnes ou plus ?

Essayer DataCamp for Business

Apprécié par les apprenants de milliers d’entreprises

Description du projet

Predict Taxi Fares with Random Forests

In this project, you get to work with the data from a large number of taxi journeys in New York from 2013. You will use regression trees and random forests to predict the value of fares and tips, based on location, date and time. While not required, it can help to have some extended experience with the packages dplyr, ggplot2 and randomForests.The dataset used in this project is a sample from the complete 2013 NYC taxi data, which was originally obtained and published by Chris Whong.

Predict Taxi Fares with Random Forests

Use regression trees and random forests to find places where New York taxi drivers earn the most.
Démarrer le projet gratuitement
  • 1

    49999 New York taxi trips

  • 2

    Cleaning the taxi data

  • 3

    Zooming in on Manhattan

  • 4

    Where does the journey begin?

  • 5

    Predicting taxi fares using a tree

  • 6

    It's time. More predictors.

  • 7

    One more tree!

  • 8

    One tree is not enough

  • 9

    Plotting the predicted fare

  • 10

    Plotting the actual fare

  • 11

    Where do people spend the most?

    Rejoignez plus de 16 millions d’apprenants et commencer Predict Taxi Fares with Random Forests dès aujourd'hui !

    Créez votre compte gratuit

    ou

    En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.