LoslegenKostenlos starten

Das Ensemble bewerten

Bis hierhin läuft es gut. Aber wie gut genau? Zeig deine Fähigkeiten in der Modellevaluierung, indem du deine Out-of-Sample-AUC per Cross-Validation bestimmst!

Die Spezifikation boost_spec und das Tibble customers_train sind weiterhin geladen.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle fünf CV-Folds deines Trainingssatzes und speichere sie als folds.
  • Trainiere und bewerte ein Modell, das still_customer für jeden Fold vorhersagt, und zwar mit deiner Spezifikation, allen Prädiktorvariablen und der AUC-Metrik.
  • Sammle die Metriken von cv_results ein und prüfe die durchschnittliche AUC.

Interaktive praktische Übung

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

set.seed(99)

# Create CV folds
folds <- ___

# Fit and evaluate models for all folds
cv_results <- fit_resamples(___,
                            ___,
                            resamples = ___,
                            ___)

# Collect cross-validated metrics
___
Code bearbeiten und ausführen