Évaluer l'ensemble
Jusqu'ici, tout va bien. Mais à quel point exactement? Mettez à l'épreuve vos compétences d'évaluation de modèles en validant croisée votre AUC hors échantillon!
La spécification boost_spec et le tibble customers_train sont toujours chargés.
Cette activité fait partie du cours
Machine Learning avec des modèles arborescents en R
Instructions de l’exercice
- Créez cinq plis de validation croisée à partir de votre ensemble d'entraînement et enregistrez-les dans
folds. - Ajustez et évaluez un modèle qui prédit
still_customerpour chaque pli, en utilisant votre spécification, toutes les variables prédictives et la mesure AUC. - Récupérez les mesures de
cv_resultset vérifiez l'AUC moyenne.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
set.seed(99)
# Create CV folds
folds <- ___
# Fit and evaluate models for all folds
cv_results <- fit_resamples(___,
___,
resamples = ___,
___)
# Collect cross-validated metrics
___