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 merupakan bagian dari kursus

Reduksi Dimensi di R

Lihat Kursus

Instruksi latihan

Gunakan f_meas untuk mengevaluasi kinerja dt_fit tanpa reduksi.
Latih model tereduksi UMAP menggunakan umap_dt_workflow.
Buat data frame prediksi himpunan uji untuk model UMAP tereduksi.
Gunakan f_meas untuk mengevaluasi kinerja umap_dt_fit tereduksi.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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
___(___, ___, ___)

Edit dan Jalankan Kode