Bygg den slutliga klassificeringsmodellen

Genom att jämföra recall-prestanda mellan den logistiska regressionsmodellen (0,4) och den bäst presterande random forest-modellen (0,2) har du sett att den logistiska regressionsmodellen är det bättre valet. I den här övningen bygger du den logistiska regressionsmodellen med all träningsdata och förbereder de vektorer som behövs för att utvärdera modellens testprestanda.

Den här övningen är en del av kursen

Maskininlärning med Tidyverse

Visa kurs

Övningsinstruktioner

Bygg en logistisk regressionsmodell som predicerar Attrition med hjälp av alla tillgängliga särdrag i training_data.
Förbered den binära vektorn med faktiska testvärden, test_actual.
Förbered den binära vektorn med predikterade värden där en sannolikhet större än 0,5 indikerar TRUE, och lagra den som test_predicted.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Build the logistic regression model using all training data
best_model <- glm(formula = ___, 
                  data = ___, family = "binomial")


# Prepare binary vector of actual Attrition values for testing_data
test_actual <- testing_data$___ == "___"

# Prepare binary vector of predicted Attrition values for testing_data
test_predicted <- predict(___, ___, type = "response") > ___

Redigera och kör kod