Zbuduj finalny model klasyfikacji
Porównując wyniki recall modelu regresji logistycznej (0,4) z najlepszym modelem lasu losowego (0,2), można stwierdzić, że lepiej radzi sobie regresja logistyczna. W tym ćwiczeniu zbudujesz model regresji logistycznej na wszystkich danych treningowych i przygotujesz niezbędne wektory do oceny jego wydajności na danych testowych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w tidyverse
Instrukcje do ćwiczenia
- Zbuduj model regresji logistycznej przewidujący
Attritionna podstawie wszystkich dostępnych cech wtraining_data. - Przygotuj binarny wektor rzeczywistych wartości testowych,
test_actual. - Przygotuj binarny wektor wartości przewidywanych, gdzie prawdopodobieństwo większe niż 0,5 oznacza
TRUE, i zapisz go jakotest_predicted.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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") > ___