CommencezCommencez gratuitement

Ajuster les plis

Maintenant que vous avez divisé vos données en plis, il est temps de les utiliser pour entraîner le modèle et calculer l'erreur hors échantillon de chaque modèle. Ainsi, vous obtenez une estimation équilibrée de la performance de votre spécification de modèle, car vous l'avez évaluée à plusieurs reprises hors échantillon.

Votre espace de travail contient chocolate_folds, que vous avez créé au dernier exercice (10 plis de l'ensemble d'entraînement sur le chocolat).

Cette activité fait partie du cours

Machine Learning avec des modèles arborescents en R

Voir le cours

Instructions de l’exercice

  • Prouvez que vous avez toujours la main : créez tree_spec, une spécification d'arbre de régression utilisant le moteur "rpart".
  • Utilisez fit_resamples() pour ajuster vos plis à tree_spec, en modélisant final_grade à l'aide de tous les autres prédicteurs et en évaluant avec MAE et RMSE.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create a specification
tree_spec <- ___ %>%
    ___
    ___

# Fit all folds to the specification
fits_cv <- ___(tree_spec,
               ___,
               resamples = ___,
               metrics = ___)

fits_cv
Modifier et exécuter le code