Performance d’un modèle unique

Maintenant que vous disposez des vecteurs binaires pour les valeurs réelles et prédites du modèle, vous pouvez calculer de nombreux indicateurs courants en classification binaire. Dans cet exercice, vous vous concentrez sur :

accuracy : taux de valeurs correctement prédites par rapport à l’ensemble des prédictions.
precision : part des prédictions que le modèle a correctement identifiées comme TRUE.
recall : part des valeurs TRUE réelles que le modèle a correctement retrouvées.

Cet exercice fait partie du cours

<cours>Machine Learning dans le tidyverse</cours>

Voir le cours

Instructions de l’exercice

Utilisez table() pour comparer les valeurs validate_actual et validate_predicted pour le modèle d’exemple et le data frame de validation.
Calculez l’accuracy.
Calculez la precision.
Calculez le recall.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

library(Metrics)

# Compare the actual & predicted performance visually using a table
table(___, ___)

# Calculate the accuracy
accuracy(___, ___)

# Calculate the precision
precision(___, ___)

# Calculate the recall
recall(___, ___)

Modifier et exécuter le code