Desempenho de um único modelo

Agora que você tem os vetores binários para os valores reais e previstos do modelo, pode calcular várias métricas comuns de classificação binária. Neste exercício, você vai focar em:

accuracy: taxa de valores corretamente previstos em relação a todas as previsões.
precision: parcela das previsões que o modelo corretamente classificou como TRUE.
recall: parcela dos valores TRUE reais que o modelo recuperou corretamente.

Este exercicio faz parte do curso

Machine Learning no tidyverse

Ver curso

Instruções do exercicio

Use table() para comparar os valores validate_actual e validate_predicted do modelo de exemplo e do data frame de validação.
Calcule a accuracy.
Calcule a precision.
Calcule o recall.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

library(Metrics)

# Compare the actual & predicted performance visually using a table
table(___, ___)

# Calculate the accuracy
accuracy(___, ___)

# Calculate the precision
precision(___, ___)

# Calculate the recall
recall(___, ___)

Editar e Executar Código