Persiapan untuk kinerja cross-validated

Sekarang setelah Anda tahu cara menghitung metrik kinerja untuk satu model, Anda siap untuk memperluasnya ke semua lipatan (fold) dalam data frame cross-validation.

Latihan ini adalah bagian dari kursus

Machine Learning di Tidyverse

Lihat Kursus

Petunjuk latihan

Tambahkan kolom biner validate_actual untuk setiap lipatan cross-validation dengan mengonversi semua nilai "Yes" menjadi TRUE.
Gunakan model untuk memprediksi probabilitas attrition untuk setiap lipatan validate pada cross-validation. Konversikan probabilitas yang diprediksi menjadi vektor biner, dengan memperlakukan semua probabilitas yang lebih besar dari 0.5 sebagai TRUE. Beri nama kolom ini validate_predicted.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

cv_prep_lr <- cv_models_lr %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response") > ___)
  )

Edit dan Jalankan Kode