Porównanie AUC

Porównywanie modeli to podstawa selekcji modeli. W dwóch ostatnich ćwiczeniach przeprowadzisz porównanie wszystkich typów modeli omawianych w tym kursie: drzew decyzyjnych, drzew agregowanych (bagging), lasów losowych oraz gradient boostingu.

Wszystkie modele zostały starannie dostrojone i wytrenowane na tym samym zbiorze treningowym, customers_train, a predykcje wykonano dla zbioru customers_test. Wyniki to prawdopodobieństwa numeryczne dostępne jako preds_combined w twojej sesji:

tibble [1,011 × 5]
 $ preds_tree    : 0.144 0.441 ...
 $ preds_bagging : 0.115 0.326 ...
 $ preds_forest  : 0 0 0 0.286 ...
 $ preds_boosting: 0.136 0.149 ...
 $ still_customer: "no","no", ...

1
- Oblicz AUC dla każdej kolumny predykcji w preds_combined, używając zawsze still_customer jako kolumny z prawdziwymi wartościami.

2
- Połącz wyniki w jeden tibble.
3
- Zmodyfikuj kod tak, aby argumenty funkcji bind_rows() były nazwane decision_tree, bagged_tree, random_forest i boosted_tree.

ćwiczenie

Porównanie AUC

Instrukcje 1/3

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje 1/3

ćwiczenie