Kom igångKom igång gratis

In-sample ROC och AUC

Hur väl fångar baggade träd strukturen i din träningsdatamängd? Är de bättre än beslutsträd? Överanpassar de? ROC och AUC är ett utmärkt sätt att utvärdera detta.

I den här övningen ska du generera in-sample-prediktioner och beräkna deras ROC och AUC. Håll ögonen öppna – det kan bli överraskningar!

Från föregående övning är model_bagged och träningsdata customers_train förinstallerade.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i R

Visa kurs

Övningsinstruktioner

  • Använd model_bagged för att generera sannolikhetsprediktioner med din träningsdatamängd och lägg till dem i träningsdatans tibble. Spara resultatet som predictions.
  • Generera ROC-kurvan för tibble:n predictions och plotta resultatet.
  • Beräkna AUC för tibble:n predictions.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Predict on training set and add to training set
predictions <- ___(___,
                   new_data = ___, 
                   type = "___") %>% 
    bind_cols(___)

# Create and plot the ROC curve
roc_curve(___,
          estimate = ___,
          truth = ___) %>% autoplot()

# Calculate the AUC
___(predictions,
    estimate = ___, 
    truth = ___)
Redigera och kör kod