Rozdělení dat na trénovací a testovací sadu
V disciplinovaném workflow strojového učení je zásadní vyčlenit část dat (testovací data) a nevyužívat je při žádném rozhodování. Díky tomu můžeš na konci nezávisle vyhodnotit výkonnost svého modelu. Zbývající data, trénovací data, slouží k sestavení a výběru nejlepšího modelu.
V tomto cvičení použiješ balíček rsample k rozdělení dat gapminder na trénovací a testovací sadu.
Poznámka: Protože jde o náhodné rozdělení dat, je dobrým zvykem před rozdělením nastavit seed.
Toto cvičení je součástí kurzu
Machine Learning in the Tidyverse
Pokyny k cvičení
- Rozděl data na 75 % trénovacích a 25 % testovacích pomocí funkce
initial_split()a výsledek přiřaď do proměnnégap_split. - Pomocí funkce
training()extrahuj trénovací datový rámec zgap_split. - Pomocí funkce
testing()extrahuj testovací datový rámec zgap_split. - Ověř, že dimenze nových datových rámců odpovídají očekávání – použij funkci
dim()natraining_dataatesting_data.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
set.seed(42)
# Prepare the initial split object
gap_split <- initial_split(___, prop = ___)
# Extract the training data frame
training_data <- ___
# Extract the testing data frame
testing_data <- ___
# Calculate the dimensions of both training_data and testing_data
dim(___)
dim(___)