Evaluasi model decision tree dengan UMAP
Pada latihan sebelumnya, Anda membuat workflow untuk menerapkan UMAP dan membangun model decision tree. Sekarang saatnya melatih model menggunakan data latih tersebut dan membandingkan kinerjanya dengan model decision tree tanpa reduksi. Karena variabel target credit_score bersifat kategorikal, Anda akan menggunakan f_meas() untuk mengevaluasi kinerja model. Model tanpa reduksi dan prediksi ujiannya masing-masing disimpan dalam dt_fit dan predict_df. Workflow UMAP yang Anda buat ada di umap_dt_workflow. Himpunan train dan test juga telah disediakan untuk Anda.
Pustaka tidyverse, tidymodels, dan embed telah dimuat untuk Anda.
Latihan ini adalah bagian dari kursus
Reduksi Dimensi di R
Petunjuk latihan
- Gunakan
f_measuntuk mengevaluasi kinerjadt_fittanpa reduksi. - Latih model tereduksi UMAP menggunakan
umap_dt_workflow. - Buat data frame prediksi himpunan uji untuk model UMAP tereduksi.
- Gunakan
f_measuntuk mengevaluasi kinerjaumap_dt_fittereduksi.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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
___(___, ___, ___)