Wydajność lasu losowego

Czas sprawdzić, czy modele lasów losowych zbudowane w poprzednim ćwiczeniu są w stanie przewyższyć model regresji logistycznej.

Pamiętaj, że recall na zbiorze walidacyjnym dla modelu regresji logistycznej wyniósł 0,43.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w tidyverse

Zobacz kurs

Instrukcje do ćwiczenia

Przygotuj kolumny validate_actual i validate_predicted dla każdej kombinacji mtry/fold.
Oblicz recall dla każdej kombinacji mtry/fold.
Oblicz średni recall dla każdej wartości mtry.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

cv_prep_rf <- cv_models_rf %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response")$predictions == "Yes")
  )

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_rf %>% 
  mutate(recall = map2_dbl(.x = ___, .y = ___, ~recall(actual = .x, predicted = .y)))

# Calculate the mean recall for each mtry used  
cv_perf_recall %>% 
  group_by(___) %>% 
  summarise(mean_recall = mean(___))

Edytuj i uruchom kod