UMAP 決定木モデルを評価する
前の演習では、UMAP を適用して決定木モデルを構築するためのワークフローを作成しました。ここでは、その学習データを使ってモデルを学習し、次元削減なしの決定木モデルと性能を比較します。目的変数 credit_score はカテゴリ型なので、モデルの性能評価には f_meas() を使用します。次元削減なしモデルとそのテスト予測は、それぞれ dt_fit と predict_df に保存されています。作成した UMAP のワークフローは umap_dt_workflow にあります。train と test セットも用意されています。
tidyverse、tidymodels、embed パッケージは読み込まれています。
この演習はコースの一部です
Rによる次元削減
演習の手順
- 次元削減なしの
dt_fitの性能をf_measで評価します。 umap_dt_workflowを使って UMAP で次元削減したモデルを学習します。- 次元削減した UMAP モデルのテスト予測用データフレームを作成します。
f_measを使って、学習したumap_dt_fitの性能を評価します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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
___(___, ___, ___)