LoslegenKostenlos starten

Die Folds auswerten

Nachdem du 10 Modelle mit allen 10 Folds trainiert und für jedes Modell MAE und RMSE berechnet hast, ist es Zeit zu visualisieren, wie groß die Fehler sind. So bekommst du ein Gefühl für die Verteilung der Out-of-Sample-Fehler, was bei der Beurteilung der Modellqualität hilft.

Du wirst all diese Fehler als Histogramm darstellen und die zusammenfassenden Statistiken über alle Folds hinweg anzeigen.

Das Ergebnis der vorherigen Übung, fits_cv, ist vorab geladen.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Sammle die Out-of-Sample-Fehler aller Modelle aus fits_cv mit einer einzigen yardstick-Funktion und speichere sie als all_errors.
  • Erstelle ein ggplot2-Histogramm, verwende .estimate als x-Ästhetik und fill die Balken nach .metric.
  • Verwende dieselbe Funktion wie in der ersten Anweisung mit summarize = TRUE, um zusammenfassende Statistiken von fits_cv anzuzeigen.

Interaktive praktische Übung

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

library(ggplot2)

# Collect the errors
all_errors <- ___(___, summarize = ___)

# Plot an error histogram
ggplot(___, aes(___, ___)) +
        ___()

# Collect and print error statistics
___(fits_cv, ___)
Code bearbeiten und ausführen