Für crossvalidierte Performance vorbereiten

Nachdem du weißt, wie du die Performancemetriken für ein einzelnes Modell berechnest, bist du bereit, dies auf alle Folds im Cross-Validation-Data-Frame auszuweiten.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning im Tidyverse</Kurs>

Kurs ansehen

Übungsanweisungen

Füge für jeden Cross-Validation-Fold die binäre Spalte validate_actual hinzu, indem du alle "Yes"-Werte in TRUE umwandelst.
Verwende model, um die Wahrscheinlichkeiten für Attrition für jeden Cross-Validation-Fold von validate vorherzusagen. Wandle die vorhergesagten Wahrscheinlichkeiten in einen binären Vektor um, wobei alle Wahrscheinlichkeiten größer als 0.5 als TRUE gelten. Nenne diese Spalte validate_predicted.

Interaktive praktische Übung

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

cv_prep_lr <- cv_models_lr %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response") > ___)
  )

Code bearbeiten und ausführen