Začněte nyníZačněte zdarma

Ladění na mřížce

Teď, když máš tuningovou mřížku i zástupnou specifikaci, je čas natrénovat model na každém bodě mřížky a vyhodnotit výsledky. V rámci tidymodels je to jednoduché – použiješ funkci tune_grid(), kterou jsme si představili v lekcích.

V dalších cvičeních budeš pracovat s datasetem zákazníků kreditních karet, který obsahuje tyto sloupce:

  • still_customer: příznak (yes nebo no) označující, zda je zákazník stále aktivní
  • total_trans_amt: celková výše transakcí v USD
  • customer_age: věk zákazníka
  • income_category: kategorie ročního příjmu, například $60K - $80K nebo Less than $40K
  • … a dalších 16 sloupců.

Klidně si tibble customers prohlédni v konzoli! Výsledky předchozího cvičení, tree_grid a tune_spec, jsou stále načteny.

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř tři křížově validační složky svého datasetu a ulož je jako folds.
  • Vytvořte tune_results tak, že naladěnou specifikaci vyhodnotíš na mřížce – použij všechny prediktory pro predikci still_customer, své CV složky jako resamply a metric_set(accuracy).
  • Pomocí autoplot() vizualizuj výsledky ladění.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

# Plot the tuning results
___(tune_results)
Upravit a spustit kód