Оценка модели дерева решений с UMAP

В предыдущем упражнении вы создали рабочий процесс для применения UMAP и построения модели дерева решений. Теперь пора обучить модель на обучающих данных и сравнить её результаты с нередуцированной моделью дерева решений. Поскольку целевая переменная credit_score является категориальной, для оценки качества моделей используйте f_meas(). Нередуцированная модель и её предсказания на тестовой выборке хранятся в dt_fit и predict_df соответственно. Рабочий процесс UMAP, созданный ранее, находится в umap_dt_workflow. Обучающая и тестовая выборки train и test также доступны.

Пакеты tidyverse, tidymodels и embed уже загружены.

Это упражнение является частью курса

Снижение размерности в R

Посмотреть курс

Инструкции к упражнению

Используйте f_meas, чтобы оценить качество нередуцированной модели dt_fit.
Обучите редуцированную модель с UMAP, используя umap_dt_workflow.
Создайте таблицу предсказаний на тестовой выборке для редуцированной модели UMAP.
Используйте f_meas, чтобы оценить качество редуцированной модели umap_dt_fit.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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
___(___, ___, ___)

Редактировать и запускать код