Modell fitten und bewerten
Jetzt, da du fehlende Werte behandelt und Dummy-Variablen erstellt hast, ist es Zeit, die Leistung deines Modells zu bewerten!
Der attrition-Datensatz sowie die test- und train-Splits, das lr_recipe und dein deklariertes logistic_model() sind bereits für dich geladen.
Diese Übung ist Teil des Kurses
Feature Engineering in R
Anleitung zur Übung
- Modelli und Rezept in einem Workflow bündeln.
- Workflow auf die Trainingsdaten fitten.
- Einen augmentierten Data Frame zur Leistungsbewertung erzeugen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Bundle model and recipe in workflow
lr_workflow <- ___() %>%
add_model(lr_model) %>%
add_recipe(lr_recipe)
# Fit workflow to the train data
lr_fit <- ___(lr_workflow, data = train)
# Generate an augmented data frame for performance assessment
lr_aug <- lr_fit %>% ___(test)
lr_aug %>% roc_curve(truth = Attrition, .pred_No) %>% autoplot()
bind_rows(lr_aug %>% roc_auc(truth = Attrition, .pred_No),
lr_aug %>% accuracy(truth = Attrition, .pred_class))