Calculer la performance en validation croisée
Il est essentiel d'optimiser les modèles en utilisant une mesure soigneusement choisie qui vise l'objectif du modèle.
Dans ce cas, imaginez que vous souhaitez utiliser ce modèle pour repérer les employé·e·s susceptibles de quitter l'entreprise. Idéalement, vous voulez un modèle qui repère le plus grand nombre possible de personnes prêtes à partir afin de pouvoir intervenir. La mesure correspondante qui reflète cela est le rappel. Ainsi, vous utiliserez exclusivement le rappel pour optimiser et sélectionner vos modèles.
Cette activité fait partie du cours
Machine Learning dans le tidyverse
Instructions de l’exercice
- Calculez le rappel en comparant les réponses réelles et prédites pour chaque pli et assignez-le à la colonne
validate_recall. - Affichez la colonne
validate_recall. - Affichez la moyenne de cette colonne.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_lr %>%
mutate(validate_recall = map2_dbl(___, ___,
~recall(actual = .x, predicted = .y)))
# Print the validate_recall column
cv_perf_recall$___
# Calculate the average of the validate_recall column
___