Kom igångKom igång gratis

Finjustera längs rutnätet

Nu när du har skapat justeringsrutnätet och en grundspecifikation är nästa steg att anpassa en modell för varje punkt i rutnätet och utvärdera resultatet. Det gör du enkelt i tidymodels-ramverket med funktionen tune_grid(), som introducerades i föreläsningen.

I de återstående övningarna arbetar du med datamängden för kreditkortskunder, som innehåller följande kolumner:

  • still_customer: flagga (yes eller no) som anger om kunden fortfarande är aktiv
  • total_trans_amt: total transaktionssumma i USD
  • customer_age: kundens ålder
  • income_category: etiketter som $60K - $80K eller Less than $40K för att ange kategorin för årsinkomst
  • … och 16 ytterligare kolumner.

Inspektera gärna tibble-objektet customers i konsolen! Resultaten från föregående övning, tree_grid och tune_spec, är fortfarande inlästa.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i R

Visa kurs

Övningsinstruktioner

  • Skapa tre korsvalideringsveck av din datamängd och spara dem som folds.
  • Skapa tune_results genom att justera specifikationen längs rutnätet med alla prediktorer för att förutsäga still_customer, dina CV-veck som resamples och metric_set(accuracy).
  • Använd autoplot() för att visualisera justeringsresultaten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

# Plot the tuning results
___(tune_results)
Redigera och kör kod