Évaluer les performances du modèle
Vous avez maintenant les valeurs réelles et prédites pour chaque fold : vous pouvez les comparer pour mesurer les performances.
Pour ce modèle de régression, vous allez calculer la Mean Absolute Error (MAE) entre ces deux vecteurs. Cette valeur indique l’écart moyen entre les valeurs réelles et prédites.
Cet exercice fait partie du cours
<cours>Machine Learning dans le tidyverse</cours>Instructions de l’exercice
- Calculez la MAE en comparant les valeurs réelles et prédites pour les données de validation et affectez-la à la colonne
validate_mae. - Affichez la colonne
validate_mae(observez leurs variations). - Calculez la moyenne de cette colonne.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
library(Metrics)
# Calculate the mean absolute error for each validate fold
cv_eval_lm <- cv_prep_lm %>%
mutate(validate_mae = map2_dbl(___, ___, ~mae(actual = .x, predicted = .y)))
# Print the validate_mae column
cv_eval_lm$___
# Calculate the mean of validate_mae column
___