Valuta il modello ad albero decisionale con UMAP

Nel precedente esercizio hai creato un workflow per applicare UMAP e costruire un modello ad albero decisionale. Ora è il momento di fare il fit del modello usando i dati di training e confrontarne le prestazioni con quelle del modello ad albero decisionale non ridotto. Poiché la variabile target credit_score è categorica, userai f_meas() per valutare le prestazioni dei modelli. Il modello non ridotto e le sue predizioni sul test set sono memorizzati rispettivamente in dt_fit e predict_df. Il workflow UMAP che hai creato è in umap_dt_workflow. I set train e test sono già forniti.

I pacchetti tidyverse, tidymodels ed embed sono già stati caricati per te.

Questo esercizio fa parte del corso

Riduzione della dimensionalità in R

Visualizza il corso

Istruzioni dell'esercizio

Usa f_meas per valutare le prestazioni di dt_fit non ridotto.
Esegui il fit del modello ridotto con UMAP usando umap_dt_workflow.
Crea il data frame di predizione sul test set per il modello UMAP ridotto.
Usa f_meas per valutare le prestazioni di umap_dt_fit ridotto.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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
___(___, ___, ___)

Modifica ed esegui il codice