Výkonnost náhodného lesa

Teď přichází chvíle pravdy – zjistíme, jestli modely náhodného lesa, které jsi sestavil/a v předchozím cvičení, dokážou překonat logistickou regresi.

Připomeň si, že recall logistického regresního modelu na validační sadě byl 0,43.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Připrav sloupce validate_actual a validate_predicted pro každou kombinaci mtry/fold.
Vypočítej recall pro každou kombinaci mtry/fold.
Vypočítej průměrný recall pro každou hodnotu mtry.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

cv_prep_rf <- cv_models_rf %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response")$predictions == "Yes")
  )

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_rf %>% 
  mutate(recall = map2_dbl(.x = ___, .y = ___, ~recall(actual = .x, predicted = .y)))

# Calculate the mean recall for each mtry used  
cv_perf_recall %>% 
  group_by(___) %>% 
  summarise(mean_recall = mean(___))

Upravit a spustit kód