Utvärdera UMAP-beslutsträdsmodellen

I föregående övning skapade du ett arbetsflöde för att tillämpa UMAP och bygga en beslutsträdsmodell. Nu är det dags att träna modellen på träningsdatan och jämföra dess prestanda med den oreducerade beslutsträdsmodellen. Eftersom målvariabeln credit_score är kategorisk använder du f_meas() för att utvärdera modellernas prestanda. Den oreducerade modellen och dess testprediktioner finns lagrade i dt_fit respektive predict_df. UMAP-arbetsflödet du skapade finns i umap_dt_workflow. Dataseten train och test är också tillgängliga.

Paketen tidyverse, tidymodels och embed har laddats åt dig.

Den här övningen är en del av kursen

Dimensionsreduktion i R

Visa kurs

Övningsinstruktioner

Använd f_meas för att utvärdera prestandan hos den oreducerade dt_fit.
Träna den UMAP-reducerade modellen med umap_dt_workflow.
Skapa en dataram med testmängdens prediktioner för den reducerade UMAP-modellen.
Använd f_meas för att utvärdera prestandan hos den reducerade umap_dt_fit.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
___(___, ___, ___)

Redigera och kör kod