La courbe de gain pour évaluer le modèle de chômage

Dans l'exercice précédent, vous avez produit des prédictions pour female_unemployment et visualisé les prédictions ainsi que les résidus. Maintenant, vous allez aussi tracer la courbe de gain des prédictions de unemployment_model par rapport aux valeurs réelles de female_unemployment à l'aide de la fonction WVPlots::GainCurvePlot() (docs).

Dans les situations où l'ordre compte plus que les valeurs exactes, la courbe de gain vous aide à vérifier si les prédictions du modèle trient les observations dans le même ordre que la vraie cible.

Un appel à la fonction GainCurvePlot() ressemble à :

GainCurvePlot(frame, xvar, truthvar, title)

où

frame est un tableau de données (data frame)
xvar et truthvar sont des chaînes de caractères qui nomment, dans frame, les colonnes de prédiction et de résultat réel
title est le titre du graphique

Lorsque les prédictions trient exactement dans le même ordre, le coefficient de Gini relatif est de 1. Quand le tri du modèle est médiocre, le coefficient de Gini relatif est proche de zéro, voire négatif.

Le tableau de données unemployment, qui contient aussi les prédictions, et le modèle unemployment_model sont à votre disposition.

Cette activité fait partie du cours

Apprentissage supervisé en R : régression

Voir le cours

Instructions de l’exercice

Chargez le paquet WVPlots avec library().
Tracez la courbe de gain. Donnez au graphique le titre "Unemployment model". Les prédictions du modèle trient-elles correctement ?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# unemployment (with predictions) is available
summary(unemployment)

# unemployment_model is available
summary(unemployment_model)

# Load the package WVPlots
___

# Plot the Gain Curve
___(___, ___, ___, "Unemployment model")

Modifier et exécuter le code