始める無料で始める

評価

いよいよ総仕上げです。モデルをチューニングして最適な penalty 値を見つけ、最終モデルを学習して結果を評価しましょう。

ワークフロー、penalty のグリッド、ユーザー定義関数 class_evaluate() は環境内に用意されています。

この演習はコースの一部です

Rで学ぶ特徴量エンジニアリング

コースを見る

演習の手順

  • tune_grid を設定し、ROC_AUC に対するモデル性能を探索します。
  • 最良の penalty 値を選択します。
  • 最良の penalty で最終ワークフローを学習します。

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。

# Set up a tune grid to explore your model performance against roc_auc
lr_tune_output <- ___(lr_workflow, resamples = vfold_cv(train, v = 5),
  metrics = metric_set(roc_auc), grid = lr_penalty_grid)

# Select the best penalty value
best_penalty <- ___(lr_tune_output, metric = 'roc_auc', desc(penalty)) 

# Fit the final workflow with the best penalty
lr_final_fit<- ___(lr_workflow, best_penalty) %>% fit(data = train)

lr_final_fit %>% augment(test) %>% 
class_evaluate(truth = Attrition, estimate = .pred_class, .pred_Yes)
コードを編集して実行