Évaluer l’assemblage
Jusqu’ici, tout va bien. Mais à quel point, exactement ? Montrez vos compétences en évaluation de modèle en validant par croisement votre AUC hors échantillon !
La spécification boost_spec et le tibble customers_train sont toujours chargés.
Cet exercice fait partie du cours
Machine Learning avec des modèles à base d’arbres en R
Instructions
- Créez cinq folds de CV à partir de votre ensemble d’entraînement et enregistrez-les sous
folds. - Ajustez et évaluez un modèle qui prédit
still_customerpour chaque fold, en utilisant votre spécification, toutes les variables prédictives et la métrique AUC. - Récupérez les métriques de
cv_resultset vérifiez l’AUC moyenne.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
set.seed(99)
# Create CV folds
folds <- ___
# Fit and evaluate models for all folds
cv_results <- fit_resamples(___,
___,
resamples = ___,
___)
# Collect cross-validated metrics
___