Menilai kinerja model menggunakan semua prediktor yang tersedia

Untuk menilai kinerja model yang telah direduksi, penting untuk menetapkan tolok ukur. Ukur kinerja model penuh Anda untuk memahami kompromi dari model yang direduksi. Ingatlah bagan pentingnya variabel yang Anda buat pada latihan sebelumnya.

Bar chart of variable importance.

Pemisahan train dan test beserta fungsi buatan pengguna Anda class_evaluate() telah dimuat ke dalam environment Anda. Model yang telah dipasang disimpan sebagai fit_full. Pemisahan train dan test beserta fungsi buatan pengguna Anda class_evaluate() telah dimuat ke dalam environment Anda.

Latihan ini adalah bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Petunjuk latihan

Buat objek augmented dari model penuh yang telah dipasang.
Nilai kinerja model menggunakan class_evaluate.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create an augmented object from the fitted full model
aug_full <-
  fit_full %>%
  ___(test)

# Assess model performance using class_evaluate
aug_full %>% ___(truth = ___, 
               estimate = .pred_class,
               .pred_Yes)

Edit dan Jalankan Kode

Rekayasa Fitur di R

SkillTag.level.intermediateSkillTag.label

4.8+

120 reviews

You’ll wrap up the course by learning about feature engineering and machine learning techniques. You’ll begin by focusing on the problems associated with using all available features in a model and the importance of identifying irrelevant and redundant features and learning to remove these features using embedded methods such as lasso and elastic-net. Next, you’ll explore shrinkage methods such as lasso, ridge, and elastic-net, which can be used to regularize feature weights or select features by setting coefficients to zero. Finally, you’ll finish by focusing on creating an end-to-end feature engineering workflow and reviewing and practicing the previously learned concepts and functions in a small project.

Exercise 1: Mengurangi fitur model Exercise 2: Menelusuri kepentingan variabel Exercise 3: Menilai kinerja model menggunakan semua prediktor yang tersedia

Latihan Saat Ini

Exercise 4: Membangun model tereduksi Exercise 5: Metode shrinkage Exercise 6: Regularisasi manual dengan Lasso Exercise 7: Menyetel penalty Exercise 8: Finalisasi model Exercise 9: Menggabungkan semuanya Exercise 10: Siapkan dan bagi Exercise 11: Praproses Exercise 12: Model Exercise 13: Evaluasi Exercise 14: Selamat!