Zacznij terazZacznij za darmo

Próbkowanie wewnętrzne – krzywa ROC i AUC

Jak dobrze drzewa workowane odwzorowują strukturę zbioru treningowego? Czy radzą sobie lepiej niż zwykłe drzewa decyzyjne? Czy prowadzą do przeuczenia? Krzywa ROC i wskaźnik AUC to doskonałe narzędzia do oceny tych kwestii.

W tym ćwiczeniu wygenerujesz predykcje na zbiorze treningowym i obliczysz wartości ROC oraz AUC. Uważaj – wyniki mogą cię zaskoczyć!

Wczytane zostały wynik poprzedniego ćwiczenia, model_bagged, oraz dane treningowe, customers_train.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Użyj model_bagged, aby wygenerować predykcje prawdopodobieństw na zbiorze treningowym i dodaj je do tibble treningowego, zapisując wynik jako predictions.
  • Wygeneruj krzywą ROC na podstawie tibble predictions i narysuj wykres.
  • Oblicz AUC dla tibble predictions.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Predict on training set and add to training set
predictions <- ___(___,
                   new_data = ___, 
                   type = "___") %>% 
    bind_cols(___)

# Create and plot the ROC curve
roc_curve(___,
          estimate = ___,
          truth = ___) %>% autoplot()

# Calculate the AUC
___(predictions,
    estimate = ___, 
    truth = ___)
Edytuj i uruchom kod