Vytváření náhodných testovacích datasetů

Než vytvoříš sofistikovanější model pro půjčky, je důležité vyčlenit část dat, abys mohl/a simulovat, jak dobře bude model předpovídat výsledky budoucích žadatelů o půjčku.

Jak ukazuje následující obrázek, na trénování modelu můžeš použít 75 % pozorování a zbývajících 25 % si nechat na testování.

Funkce sample() umožňuje vygenerovat náhodný výběr řádků, které budou součástí trénovací sady. Stačí zadat celkový počet pozorování a počet, kolik jich potřebuješ pro trénování.

Výsledný vektor ID řádků pak použij k rozdělení datasetu loans na trénovací a testovací část. Dataset loans máš k dispozici.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Pomocí funkce nrow() zjisti, kolik pozorování dataset loans obsahuje, a vypočítej počet řádků potřebných pro 75% vzorek.
Pomocí funkce sample() vytvoř celočíselný vektor ID řádků pro 75% vzorek. Prvním argumentem sample() je celkový počet řádků v datasetu, druhým je počet řádků, které potřebuješ v trénovací sadě.
Pomocí ID řádků vytvoř z dat loans trénovací dataset a ulož ho jako loans_train.
Znovu vyfiltruj data loans, tentokrát ale vyber všechny řádky, které nejsou v sample_rows. Výsledek ulož jako loans_test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Determine the number of rows for training


# Create a random sample of row IDs
sample_rows <- sample(___, ___)

# Create the training dataset
loans_train <- loans[___]

# Create the test dataset
loans_test <- loans[___]

Upravit a spustit kód