Předpovědi jednoho modelu

Abys mohl/a vyhodnotit výkon klasifikačního modelu, musíš porovnat skutečné hodnoty Attrition s těmi, které model předpověděl. Při výpočtu metrik pro binární klasifikaci (například přesnosti a úplnosti) musí být skutečný i předpovězený vektor převedeny na binární hodnoty.

V tomto cvičení se naučíš, jak tyto vektory připravit – jako příklad použijeme model a validační datový rámec z prvního foldu křížové validace.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Extrahuj model a validační datový rámec validate z prvního foldu křížové validace.
Extrahuj sloupec Attrition z datového rámce validate a převeď hodnoty na binární formát (TRUE/FALSE).
Použij model k předpovědi pravděpodobností odchodu zaměstnanců pro datový rámec validate.
Převeď předpovězené pravděpodobnosti na binární vektor – předpokládej, že všechny pravděpodobnosti větší než 0.5 jsou TRUE.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Extract the first model and validate 
model <- cv_models_lr$___[[___]]
validate <- cv_models_lr$___[[___]]

# Prepare binary vector of actual Attrition values in validate
validate_actual <- ___ == "Yes"

# Predict the probabilities for the observations in validate
validate_prob <- predict(___, ___, type = "response")

# Prepare binary vector of predicted Attrition values for validate
validate_predicted <- ___

Upravit a spustit kód