Ocena klasyfikacji
W poprzedniej lekcji zbudowałeś(-aś) model logistyczny do przewidywania choroby Parkinsona. W tym ćwiczeniu porównasz przewidywania z rzeczywistymi wartościami.
To kluczowa umiejętność – firmy skupiają się na wynikach. Pracodawcy chcą wiedzieć, jak dokładne są modele, które tworzysz.
Ponownie zbudujesz model przewidujący status choroby Parkinsona. Tym razem model zostanie zbudowany na części zbioru danych, a reszta posłuży do testowania.
Pamiętaj, że \(\text{recall} = \frac{TP}{TP+FN}\).
\(TP\) oznacza, że przewidzieliśmy wartość pozytywną i mieliśmy rację.
\(FN\) oznacza, że przewidzieliśmy wartość negatywną, ale się myliliśmy.
Około 80% wierszy zbioru danych parkinsons zostało przypisanych do train, a pozostałe do test.
To ćwiczenie jest częścią kursu
Ćwiczenie statystycznych pytań rekrutacyjnych w R
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Build a logistic model on the train data
model <- ___(___ ~ NHR + ___, data = ___, family = ___)
# Calculate probabilities for the test data
probabilities <- ___(___, newdata = ___, type = ___)