Обучение, исследование и оценка модели

После того как вы определили рабочий процесс с рецептом и моделью, можно обучить модель на данных. Для этого используется обучающий набор данных. Затем обученная модель оценивается на тестовом наборе. В данном примере целевая переменная является категориальной, а в качестве модели применяется логистическая регрессия. Поэтому для оценки прогнозов на тестовых данных будет использоваться метрика F-мера. Объекты feature_selection_recipe, lr_model, attrition_wflow, train и test из предыдущего упражнения уже доступны для использования.

Пакеты tidyverse и tidymodels загружены заранее.

Это упражнение является частью курса

Снижение размерности в R

Посмотреть курс

Инструкции к упражнению

Обучите attrition_wflow на обучающих данных.
Добавьте прогнозы на тестовых данных к тестовому набору вместе с исходными значениями Attrition.
Используйте f_meas(), чтобы оценить качество модели на тестовых данных.
Отобразите оценки модели attrition_fit.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Fit workflow to train data
attrition_fit <- 
  ___ %>% ___(___ = ___)

# Add the test predictions to the test data
attrition_pred_df <- ___(___, ___) %>% 
  bind_cols(___ %>% select(___))

# Evaluate F score
___(___, ___, ___)

# Display model estimates
___(___)

Редактировать и запускать код