Finales Klassifikationsmodell erstellen

Beim Vergleich der Recall-Leistung zwischen dem logistischen Regressionsmodell (0,4) und dem bestperformenden Random-Forest-Modell (0,2) hast du gelernt, dass das logistische Regressionsmodell am besten abschneidet. In dieser Übung baust du das logistische Regressionsmodell mit allen Train-Daten und bereitest die nötigen Vektoren vor, um die Test-Leistung dieses Modells zu evaluieren.

Diese Übung ist Teil des Kurses

Machine Learning im Tidyverse

Kurs anzeigen

Anleitung zur Übung

Erstelle ein logistisches Regressionsmodell zur Vorhersage von Attrition mit allen verfügbaren Features in training_data.
Bereite den binären Vektor der tatsächlichen Testwerte test_actual vor.
Bereite den binären Vektor der vorhergesagten Werte vor, wobei eine Wahrscheinlichkeit größer als 0,5 TRUE bedeutet, und speichere diesen als test_predicted.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Build the logistic regression model using all training data
best_model <- glm(formula = ___, 
                  data = ___, family = "binomial")


# Prepare binary vector of actual Attrition values for testing_data
test_actual <- testing_data$___ == "___"

# Prepare binary vector of predicted Attrition values for testing_data
test_predicted <- predict(___, ___, type = "response") > ___

Code bearbeiten und ausführen