ComeçarComece de graça

Faça o tuning ao longo da grade

Depois de criar a grade de tuning e uma especificação dummy, você precisa ajustar um modelo em cada ponto da grade e avaliar o modelo resultante. Isso é muito fácil no framework tidymodels usando a função tune_grid(), como apresentado nos slides.

Nos exercícios restantes, você usará o conjunto de dados de clientes de cartão de crédito, que tem as seguintes colunas:

  • still_customer: indicador (yes ou no) que mostra se a pessoa ainda é cliente ativa
  • total_trans_amt: soma total de transações em USD
  • customer_age: idade do cliente
  • income_category: rótulos como $60K - $80K ou Less than $40K para indicar a faixa de renda anual
  • … e mais 16 colunas.

Fique à vontade para inspecionar a tibble customers no console! Os resultados do exercício anterior, tree_grid e tune_spec, ainda estão carregados.

Este exercício faz parte do curso

Machine Learning com modelos baseados em árvores em R

Ver curso

Instruções do exercício

  • Crie três folds de validação cruzada do seu conjunto de dados e salve como folds.
  • Crie tune_results fazendo o tuning da especificação ao longo da grade usando todos os preditores para prever still_customer, seus folds de CV como reamostragens e metric_set(accuracy).
  • Use autoplot() para visualizar os resultados do tuning.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

# Plot the tuning results
___(tune_results)
Editar e executar o código