시작하기무료로 시작하기

평가

이제 결실을 확인할 차례예요. 모델을 튜닝해 최적의 penalty 값을 찾고, 최종 모델을 적합해 작업 결과를 평가해 보세요.

워크플로우, penalty 그리드, 그리고 사용자 정의 함수 class_evaluate()가 환경에 준비되어 있어요.

이 연습은 강의의 일부입니다

R로 배우는 Feature Engineering

강의 보기

연습 안내

  • tune_grid을(를) 설정해 ROC_AUC 기준으로 모델 성능을 탐색하세요.
  • 최적의 penalty 값을 선택하세요.
  • 최적의 penalty로 최종 워크플로우를 적합하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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)
코드 편집 및 실행