LoslegenKostenlos starten

Entlang des Grids tunen

Nachdem du das Tuning-Grid und eine Dummy-Spezifikation erstellt hast, musst du für jeden Grid-Punkt ein Modell fitten und das resultierende Modell auswerten. Das geht im tidymodels-Framework sehr einfach mit der Funktion tune_grid(), wie in den Folien vorgestellt.

In den verbleibenden Übungen arbeitest du mit dem Datensatz zu Kreditkartenkund:innen, der folgende Spalten enthält:

  • still_customer: Flag (yes oder no), das angibt, ob eine Person noch aktive Kund:in ist
  • total_trans_amt: Gesamtsumme der Transaktionen in USD
  • customer_age: Alter der Person
  • income_category: Labels wie $60K - $80K oder Less than $40K, die die Kategorie des jährlichen Einkommens angeben
  • … und 16 weitere Spalten.

Schau dir gerne das Tibble customers in der Konsole an! Die Ergebnisse der vorherigen Übung, tree_grid und tune_spec, sind noch geladen.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Erstelle drei Cross-Validation-Folds deines Datensatzes und speichere sie als folds.
  • Erzeuge tune_results, indem du die Spezifikation entlang des Grids tunst: Verwende alle Prädiktoren, um still_customer vorherzusagen, nutze deine CV-Folds als Resamples und metric_set(accuracy).
  • Nutze autoplot(), um die Tuning-Ergebnisse zu visualisieren.

Interaktive praktische Übung

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

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

# Plot the tuning results
___(tune_results)
Code bearbeiten und ausführen