Pas je modelbeoordeling aan

Aangepaste beoordelingsfuncties maken is erg handig wanneer je verschillende modellen doorloopt. De functie metric_set() uit het yardstick-pakket kan je daarbij helpen.

Definieer een functie die roc_auc, accuracy, sens (sensitiviteit) en spec (specificiteit) retourneert en gebruik die om je model te beoordelen.

De uitgebreide data frame lr_aug is al geladen en klaar voor gebruik.

Deze oefening maakt deel uit van de cursus

Feature engineering in R

Cursus bekijken

Oefeninstructies

Definieer een aangepaste beoordelingsfunctie die roc_auc, accuracy, sens en spec retourneert.
Beoordeel je model met je nieuwe functie op lr_aug om de metrieken te krijgen die je zojuist hebt gekozen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

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

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

Code bewerken en uitvoeren

Feature engineering in R

SkillTag.level.intermediateSkillTag.label

4.8+

120 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!