Bewerte das UMAP-Entscheidungsbaum-Modell
In der vorherigen Übung hast du einen Workflow erstellt, um UMAP anzuwenden und ein Entscheidungsbaum-Modell zu bauen. Jetzt ist es Zeit, damit ein Modell auf den Trainingsdaten zu fitten und seine Leistung mit dem nicht reduzierten Entscheidungsbaum-Modell zu vergleichen. Da die Zielvariable credit_score kategorisch ist, verwendest du f_meas(), um die Modellleistungen zu bewerten. Das nicht reduzierte Modell und dessen Testvorhersagen sind in dt_fit bzw. predict_df gespeichert. Den von dir erstellten UMAP-Workflow findest du in umap_dt_workflow. Die train- und test-Sets sind ebenfalls für dich bereitgestellt.
Die Pakete tidyverse, tidymodels und embed wurden bereits geladen.
Diese Übung ist Teil des Kurses
Dimensionsreduktion in R
Anleitung zur Übung
- Verwende
f_meas, um die Leistung des nicht reduziertendt_fitzu bewerten. - Fitte das UMAP-reduzierte Modell mit
umap_dt_workflow. - Erstelle den Vorhersage-Data-Frame für das Test-Set des reduzierten UMAP-Modells.
- Verwende
f_meas, um die Leistung des reduziertenumap_dt_fitzu bewerten.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Evaluate the unreduced decision tree model performance
___(___, ___, ___)
# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>%
fit(___ = ___)
# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>%
___(predict = ___(___, ___))
# Calculate F1 performance of the UMAP model
___(___, ___, ___)