Évaluer la performance du modèle
Maintenant que vous avez les valeurs réelles et prédites pour chaque pli, vous pouvez les comparer afin de mesurer la performance.
Pour ce modèle de régression, vous allez calculer l'erreur absolue moyenne (MAE) entre ces deux vecteurs. Cette mesure indique l'écart moyen entre les valeurs réelles et prédites.
Cette activité fait partie du cours
Machine Learning dans le tidyverse
Instructions de l’exercice
- Calculez la MAE en comparant les valeurs réelles et les valeurs prédites pour les données de validation et affectez le résultat à la colonne
validate_mae. - Affichez la colonne
validate_mae(observez comment les valeurs varient). - Calculez la moyenne de cette colonne.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
library(Metrics)
# Calculate the mean absolute error for each validate fold
cv_eval_lm <- cv_prep_lm %>%
mutate(validate_mae = map2_dbl(___, ___, ~mae(actual = .x, predicted = .y)))
# Print the validate_mae column
cv_eval_lm$___
# Calculate the mean of validate_mae column
___