Ocena
Nadszedł czas na podsumowanie. Dostrój model, aby znaleźć optymalną wartość kary, a następnie dopasuj końcowy model i oceń wyniki swojej pracy.
W środowisku masz dostęp do swojego workflow, siatki kar oraz zdefiniowanej przez użytkownika funkcji class_evaluate().
To ćwiczenie jest częścią kursu
Inżynieria cech w R
Instrukcje do ćwiczenia
- Skonfiguruj
tune_grid, aby zbadać wydajność modelu względem ROC_AUC. - Wybierz najlepszą wartość kary.
- Dopasuj końcowy workflow z najlepszą wartością kary.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)