Avaliar o modelo de árvore de decisão com UMAP

No exercício anterior, você criou um workflow para aplicar UMAP e construir um modelo de árvore de decisão. Agora é hora de ajustar um modelo usando aqueles dados de treino e comparar seu desempenho com o modelo de árvore de decisão sem redução. Como a variável alvo credit_score é categórica, você usará f_meas() para avaliar o desempenho dos modelos. O modelo sem redução e suas previsões no conjunto de teste estão armazenados em dt_fit e predict_df, respectivamente. O workflow com UMAP que você criou está em umap_dt_workflow. Os conjuntos train e test também foram fornecidos para você.

Os pacotes tidyverse, tidymodels e embed já foram carregados para você.

Este exercício faz parte do curso

Redução de Dimensionalidade em R

Ver curso

Instruções do exercício

Use f_meas para avaliar o desempenho do dt_fit sem redução.
Ajuste o modelo reduzido com UMAP usando umap_dt_workflow.
Crie o data frame de previsões no conjunto de teste para o modelo reduzido com UMAP.
Use f_meas para avaliar o desempenho do umap_dt_fit reduzido.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Evaluate the unreduced decision tree model performance
___(___, ___, ___)

# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>% 
  fit(___ = ___)

# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>% 
  ___(predict = ___(___, ___))

# Calculate F1 performance of the UMAP model
___(___, ___, ___)

Editar e executar o código