Оценка
Пришло время подвести итог. Настройте модель, чтобы найти оптимальное значение штрафа, и обучите финальную модель для оценки результатов своей работы.
Ваш workflow, сетка штрафов и пользовательская функция class_evaluate() доступны в вашем окружении.
Это упражнение является частью курса
Конструирование признаков в R
Инструкции к упражнению
- Настройте
tune_grid, чтобы исследовать качество модели по метрике ROC_AUC. - Выберите наилучшее значение штрафа.
- Обучите финальный workflow с наилучшим значением штрафа.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Set up a tune grid to explore your model performance against roc_auc
lr_tune_output <- ___(lr_workflow, resamples = vfold_cv(train, v = 5),
metrics = metric_set(roc_auc), grid = lr_penalty_grid)
# Select the best penalty value
best_penalty <- ___(lr_tune_output, metric = 'roc_auc', desc(penalty))
# Fit the final workflow with the best penalty
lr_final_fit<- ___(lr_workflow, best_penalty) %>% fit(data = train)
lr_final_fit %>% augment(test) %>%
class_evaluate(truth = Attrition, estimate = .pred_class, .pred_Yes)