Vyhodnocení rozhodovacího stromu s redukcí pomocí UMAP

V předchozím cvičení jsi vytvořil/a workflow pro aplikaci UMAP a sestavení modelu rozhodovacího stromu. Teď je čas natrénovat model na trénovacích datech a porovnat jeho výkon s neredukovaným rozhodovacím stromem. Protože cílová proměnná credit_score je kategorická, použiješ k vyhodnocení výkonu modelů funkci f_meas(). Neredukovaný model a jeho předpovědi na testovací sadě jsou uloženy v dt_fit a predict_df. Workflow UMAP, které jsi vytvořil/a, je k dispozici v umap_dt_workflow. K dispozici máš také sady train a test.

Balíčky tidyverse, tidymodels a embed jsou již načteny.

Toto cvičení je součástí kurzu

Redukce dimenzionality v R

Zobrazit kurz

Pokyny k cvičení

Pomocí f_meas vyhodnoť výkon neredukovaného modelu dt_fit.
Natrénuj redukovaný model UMAP pomocí umap_dt_workflow.
Vytvoř datový rámec s předpověďmi na testovací sadě pro redukovaný model UMAP.
Pomocí f_meas vyhodnoť výkon redukovaného modelu umap_dt_fit.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Evaluate the unreduced decision tree model performance
___(___, ___, ___)

# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>% 
  fit(___ = ___)

# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>% 
  ___(predict = ___(___, ___))

# Calculate F1 performance of the UMAP model
___(___, ___, ___)

Upravit a spustit kód