Leistung eines einzelnen Modells

Jetzt, da du die binären Vektoren für die tatsächlichen und vorhergesagten Werte des Modells hast, kannst du viele gängige Metriken zur binären Klassifikation berechnen. In dieser Übung konzentrierst du dich auf:

accuracy: Anteil korrekt vorhergesagter Werte im Verhältnis zu allen Vorhersagen.
precision: Anteil der Vorhersagen, die das Modell korrekt als TRUE erkannt hat.
recall: Anteil der tatsächlich TRUE-Werte, die das Modell korrekt wiedergefunden hat.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning im Tidyverse</Kurs>

Kurs ansehen

Übungsanweisungen

Verwende table(), um die validate_actual- und validate_predicted-Werte für das Beispielmodell und den Validate-Data-Frame zu vergleichen.
Berechne die Accuracy.
Berechne die Precision.
Berechne den Recall.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

library(Metrics)

# Compare the actual & predicted performance visually using a table
table(___, ___)

# Calculate the accuracy
accuracy(___, ___)

# Calculate the precision
precision(___, ___)

# Calculate the recall
recall(___, ___)

Code bearbeiten und ausführen