Ocena modelu drzewa decyzyjnego z UMAP
W poprzednim ćwiczeniu utworzyłeś(-aś) workflow, który stosuje UMAP i buduje model drzewa decyzyjnego. Teraz czas dopasować model do danych treningowych i porównać jego wydajność z niezredukowanym modelem drzewa decyzyjnego. Ponieważ zmienna docelowa credit_score jest kategoryczna, do oceny wydajności modeli użyjesz funkcji f_meas(). Niezredukowany model i jego przewidywania na zbiorze testowym są przechowywane odpowiednio w dt_fit i predict_df. Workflow UMAP, który utworzyłeś(-aś), znajduje się w umap_dt_workflow. Zbiory train i test są już dostępne.
Biblioteki tidyverse, tidymodels i embed zostały wczytane.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w R
Instrukcje do ćwiczenia
- Użyj
f_meas, aby ocenić wydajność niezredukowanego modeludt_fit. - Dopasuj zredukowany model UMAP, korzystając z
umap_dt_workflow. - Utwórz ramkę danych z przewidywaniami na zbiorze testowym dla zredukowanego modelu UMAP.
- Użyj
f_meas, aby ocenić wydajność zredukowanego modeluumap_dt_fit.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Evaluate the unreduced decision tree model performance
___(___, ___, ___)
# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>%
fit(___ = ___)
# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>%
___(predict = ___(___, ___))
# Calculate F1 performance of the UMAP model
___(___, ___, ___)