Ajustement en échantillon du modèle complet
C'est de nouveau le moment de coder, donc retour au jeu de données de l'exercice defaultData.
Vous voulez maintenant évaluer la performance de votre modèle en calculant la justesse (accuracy). Pour ce faire, vous avez d'abord besoin d'une matrice de confusion.
Commencez par logitModelFull. Le modèle est déjà défini et se trouve dans votre environnement.
Cette activité fait partie du cours
Machine Learning for Marketing Analytics in R
Instructions de l’exercice
- Utilisez
predict()pour obtenir la probabilité que chaque client fasse défaut de paiement. - Pour construire la matrice de confusion, utilisez la fonction
confusion.matrix()du paquetSDMTools. Notez queSDMToolsn'est plus téléchargeable depuis CRAN. Donc, si vous souhaitez vous exercer sur votre ordinateur à la maison, vous pouvez installer le paquet avecremotes::install_version("SDMTools", "1.1-221.2"), ce qui installera la version deSDMToolsutilisée dans ce cours. - Choisissez un seuil courant de 0,5.
- Calculez la justesse (accuracy) à l'aide de la matrice de confusion.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Make predictions using the full Model
defaultData$predFull <- predict(logitModelFull, type = ___, na.action = ___)
# Construct the in-sample confusion matrix
confMatrixModelFull <- confusion.matrix(defaultData$___,defaultData$___, threshold = ___)
confMatrixModelFull
# Calculate the accuracy for the full Model
accuracyFull <- sum(diag(___)) / ___(___)
accuracyFull