フォールドを評価する
10 個のフォールドそれぞれでモデルを学習し、各モデルの MAE と RMSE を計算できました。次は、誤差の大きさを可視化してみましょう。これにより、サンプル外誤差の分布感覚がつかめ、モデルの質を評価する助けになります。
これらすべての誤差をヒストグラムでプロットし、全フォールドにわたる要約統計量も表示します。
前の演習の結果である fits_cv はすでに読み込まれています。
この演習はコースの一部です
Rで学ぶTree-Based ModelsによるMachine Learning
演習の手順
fits_cvの全モデルについて、単一のyardstick関数でサンプル外誤差を収集し、all_errorsとして保存します。.estimateをx美的属性に、.metricを基にバーをfillするggplot2のヒストグラムを作成します。- 最初の指示と同じ関数を
summarize = TRUEで用いて、fits_cvの要約統計量を表示します。
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。
library(ggplot2)
# Collect the errors
all_errors <- ___(___, summarize = ___)
# Plot an error histogram
ggplot(___, aes(___, ___)) +
___()
# Collect and print error statistics
___(fits_cv, ___)