Évaluer le modèle d’arbre de décision avec UMAP

Dans l’exercice précédent, vous avez créé un workflow pour appliquer UMAP et construire un modèle d’arbre de décision. Il est maintenant temps d’ajuster ce modèle avec les données d’entraînement et de comparer ses performances au modèle d’arbre de décision non réduit. Comme la variable cible credit_score est catégorielle, vous utiliserez f_meas() pour évaluer les performances des modèles. Le modèle non réduit et ses prédictions sur l’ensemble de test sont stockés respectivement dans dt_fit et predict_df. Le workflow UMAP que vous avez créé se trouve dans umap_dt_workflow. Les ensembles train et test sont également fournis.

Les packages tidyverse, tidymodels et embed ont été chargés pour vous.

Cet exercice fait partie du cours

Réduction de dimension en R

Afficher le cours

Instructions

Utilisez f_meas pour évaluer la performance de dt_fit non réduit.
Ajustez le modèle réduit avec UMAP en utilisant umap_dt_workflow.
Créez le data frame de prédictions sur l’ensemble de test pour le modèle UMAP réduit.
Utilisez f_meas pour évaluer la performance de umap_dt_fit réduit.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Evaluate the unreduced decision tree model performance
___(___, ___, ___)

# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>% 
  fit(___ = ___)

# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>% 
  ___(predict = ___(___, ___))

# Calculate F1 performance of the UMAP model
___(___, ___, ___)

Modifier et exécuter le code