Kom igångKom igång gratis

Utvärdera vikningarna

Nu har du anpassat 10 modeller med hjälp av alla 10 vikningar och beräknat MAE och RMSE för var och en av dem. Det är dags att visualisera hur stora felen är. På så sätt bygger du upp en intuition om fördelningen av fel utanför urvalet, vilket är till hjälp när du bedömer modellens kvalitet.

Du plottar alla dessa fel som ett histogram och visar sammanfattningsstatistik för samtliga vikningar.

Resultatet från föregående övning, fits_cv, är förladdat.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i R

Visa kurs

Övningsinstruktioner

  • Samla in felen utanför urvalet för alla modeller i fits_cv med hjälp av en enda funktion från yardstick och spara dem som all_errors.
  • Skapa ett histogram med ggplot2 där .estimate används som x-estetik och staplarna fylls med färg utifrån .metric.
  • Använd samma funktion som i den första instruktionen med summarize = TRUE för att visa sammanfattningsstatistik för fits_cv.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

library(ggplot2)

# Collect the errors
all_errors <- ___(___, summarize = ___)

# Plot an error histogram
ggplot(___, aes(___, ___)) +
        ___()

# Collect and print error statistics
___(fits_cv, ___)
Redigera och kör kod