Personalizza la valutazione del tuo modello

Creare funzioni di valutazione personalizzate è molto comodo quando iteri su vari modelli. La funzione metric_set() del pacchetto yardstick può aiutarti a farlo.

Definisci una funzione che restituisca roc_auc, accuracy, sens (sensibilità) e spec (specificità) e usala per valutare il tuo modello.

Il data frame aumentato lr_aug è già caricato e pronto all'uso.

Questo esercizio fa parte del corso

Feature Engineering in R

Visualizza il corso

Istruzioni dell'esercizio

Definisci una funzione di valutazione personalizzata che restituisca roc_auc, accuracy, sens e spec.
Valuta il tuo modello usando la nuova funzione su lr_aug per ottenere le metriche che hai appena scelto.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Define a custom assessment function 
class_evaluate <- ___(___, ___, sens, ___)

# Assess your model using your new function
___(___, truth = Attrition,
               estimate = .pred_class,
               .pred_No)

Modifica ed esegui il codice

Feature Engineering in R

IntermediárioNível de habilidade

4.8+

122 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: Reducing the model's features Exercise 2: Sifting through variable importance Exercise 3: Assessing model performance using all available predictors Exercise 4: Building a reduced model Exercise 5: Shrinkage methods Exercise 6: Manual regularization with Lasso Exercise 7: Tuning the penalty Exercise 8: Finalizing the model Exercise 9: Putting it all together Exercise 10: Prep and split Exercise 11: Preprocess Exercise 12: Model Exercise 13: Assess Exercise 14: Congratulations!