CommencezCommencez gratuitement

Ajuster le long de la grille

Après avoir créé la grille d'ajustement et une spécification factice, vous devez ajuster un modèle à chaque point de la grille et évaluer le modèle obtenu. C'est très simple dans le cadre tidymodels grâce à la fonction tune_grid(), comme présenté dans le diaporama.

Dans les exercices restants, vous utiliserez le jeu de données des clients de cartes de crédit, qui comporte les colonnes suivantes :

  • still_customer : indicateur (yes ou no) qui précise si une personne cliente est toujours active
  • total_trans_amt : somme totale des transactions en USD
  • customer_age : âge de la personne cliente
  • income_category : étiquettes comme $60K - $80K ou Less than $40K pour indiquer la catégorie de revenu annuel
  • … et 16 autres colonnes.

N'hésitez pas à examiner la tibble customers dans la console ! Les résultats de l'exercice précédent, tree_grid et tune_spec, sont toujours chargés.

Cette activité fait partie du cours

Machine Learning avec des modèles arborescents en R

Voir le cours

Instructions de l’exercice

  • Créez trois plis de validation croisée de votre jeu de données et enregistrez-les dans folds.
  • Créez tune_results en ajustant la spécification le long de la grille en utilisant tous les prédicteurs pour prédire still_customer, vos plis de CV comme rééchantillonnages et metric_set(accuracy).
  • Utilisez autoplot() pour tracer les résultats d'ajustement.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

# Plot the tuning results
___(tune_results)
Modifier et exécuter le code