Calculer la performance en validation croisée
Il est essentiel d’optimiser les modèles à l’aide d’une métrique soigneusement choisie en fonction de l’objectif du modèle.
Imaginez que, dans ce cas, vous souhaitiez utiliser ce modèle pour identifier les employé·e·s susceptibles de quitter l’entreprise. Idéalement, vous voulez un modèle capable de repérer le plus grand nombre possible de personnes prêtes à partir afin de pouvoir intervenir. La métrique correspondante qui capture cela est le recall (rappel). Vous utiliserez donc exclusivement le recall pour optimiser et sélectionner vos modèles.
Cet exercice fait partie du cours
<cours>Machine Learning dans le tidyverse</cours>Instructions de l’exercice
- Calculez le recall en comparant les valeurs réelles et prédites pour chaque pli et assignez-le à la colonne
validate_recall. - Affichez la colonne
validate_recall. - Affichez la moyenne de cette colonne.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_lr %>%
mutate(validate_recall = map2_dbl(___, ___,
~recall(actual = .x, predicted = .y)))
# Print the validate_recall column
cv_perf_recall$___
# Calculate the average of the validate_recall column
___