Příprava na křížově validovaný výkon

Teď, když umíš vypočítat metriky výkonu pro jeden model, je čas rozšířit tento postup na všechny foldy v datovém rámci křížové validace.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Přidej binární sloupec validate_actual pro každý fold křížové validace tak, že převedeš všechny hodnoty "Yes" na TRUE.
Pomocí model předpověz pravděpodobnosti odchodu zaměstnanců pro každý fold křížové validace z validate. Převeď předpovězené pravděpodobnosti na binární vektor tak, že všechny pravděpodobnosti větší než 0.5 budou považovány za TRUE. Pojmenuj tento sloupec validate_predicted.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

cv_prep_lr <- cv_models_lr %>% 
  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") > ___)
  )

Upravit a spustit kód