Baseline-Modell fitten
Jetzt, da du ein wiederverwendbares trainControl-Objekt namens myControl hast, kannst du beginnen, verschiedene Vorhersagemodelle auf deinen Churn-Datensatz zu fitten und ihre Vorhersagegenauigkeit zu bewerten.
Du startest mit einem meiner Lieblingsmodelle, glmnet. Es penalisiert lineare und logistische Regressionsmodelle in Bezug auf Größe und Anzahl der Koeffizienten, um Overfitting zu verhindern.
Diese Übung ist Teil des Kurses
<Kurs>Maschinelles Lernen mit caret in R</Kurs>Übungsanweisungen
Fitte ein glmnet-Modell auf den Churn-Datensatz und nenne es model_glmnet. Achte darauf, myControl, das du in der ersten Übung erstellt hast und das in deinem Workspace verfügbar ist, als trainControl-Objekt zu verwenden.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Fit glmnet model: model_glmnet
model_glmnet <- train(
x = churn_x,
y = churn_y,
metric = "ROC",
method = ___,
trControl = ___
)