LoslegenKostenlos starten

Vom Start zum Profi

Du beherrschst jetzt, wie man eine Modellspezifikation erstellt und die Daten in Trainings- und Testsets aufteilt. Du weißt auch, wie man Klassenungleichgewichte bei der Aufteilung vermeidet. Jetzt ist es Zeit, alles aus der vorherigen Lektion zu kombinieren und dein Modell nur mit dem Trainingsset aufzubauen!

Du erstellst eine vollständige Machine-Learning-Pipeline. Diese besteht daraus, eine Modellspezifikation zu erstellen, deine Daten in Trainings- und Testset zu splitten und – last but not least – das Trainingsset an ein Modell zu fitten. Viel Spaß!

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Erstelle diabetes_split, einen Split, bei dem das Trainingsset drei Viertel aller diabetes-Zeilen enthält und Trainings- und Testset eine ähnliche Verteilung in der Variable outcome haben.
  • Baue eine Entscheidbaum-Spezifikation für dein Modell mit der rpart-Engine und speichere sie als tree_spec.
  • Fitte ein Modell model_trained mit den Trainingsdaten von diabetes_split, wobei outcome die Zielvariable ist und bmi sowie skin_thickness die Prädiktoren sind.

Interaktive praktische Übung

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

set.seed(9)

# Create the balanced data split
diabetes_split <- ___

# Build the specification of the model
tree_spec <- ___ %>% 
  ___ %>% 
  ___

# Train the model
model_trained <- ___ %>% 
  fit(___, 
      ___)

model_trained
Code bearbeiten und ausführen