Eindmodel voor classificatie bouwen

Bij het vergelijken van de recall-prestatie tussen het logistieke regressiemodel (0,4) en het best presterende random-forestmodel (0,2), heb je gezien dat het model met de beste prestatie het logistieke regressiemodel is. In deze oefening bouw je het logistieke regressiemodel met alle train-data en bereid je de nodige vectoren voor om de test-prestatie van dit model te evalueren.

Deze oefening maakt deel uit van de cursus

Machine Learning in de tidyverse

Cursus bekijken

Oefeninstructies

Bouw een logistiek regressiemodel dat Attrition voorspelt met alle beschikbare features in training_data.
Bereid de binaire vector met de werkelijke testwaarden voor, test_actual.
Bereid de binaire vector met voorspelde waarden voor, waarbij een kans groter dan 0,5 TRUE aangeeft, en sla dit op als test_predicted.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Build the logistic regression model using all training data
best_model <- glm(formula = ___, 
                  data = ___, family = "binomial")


# Prepare binary vector of actual Attrition values for testing_data
test_actual <- testing_data$___ == "___"

# Prepare binary vector of predicted Attrition values for testing_data
test_predicted <- predict(___, ___, type = "response") > ___

Code bewerken en uitvoeren