Kom igångKom igång gratis

Gainskurvan för att utvärdera arbetslöshetsmodellen

I föregående övning gjorde du prediktioner om female_unemployment och visualiserade prediktionerna och residualerna. Nu ska du även plotta gainskurvan för unemployment_models prediktioner mot det faktiska utfallet female_unemployment med hjälp av funktionen WVPlots::GainCurvePlot() (docs).

I situationer där rangordning är viktigare än exakta värden hjälper gainskurvan dig att kontrollera om modellens prediktioner sorteras i samma ordning som det verkliga utfallet.

Anrop till funktionen GainCurvePlot() ser ut så här:

GainCurvePlot(frame, xvar, truthvar, title)

där

  • frame är en dataframe
  • xvar och truthvar är strängar som anger namnen på prediktions- respektive utfallskolumnerna i frame
  • title är plottens titel

När prediktionerna sorteras i exakt samma ordning är den relativa Gini-koefficienten 1. När modellen sorterar dåligt är den relativa Gini-koefficienten nära noll, eller till och med negativ.

Dataframen unemployment, som även innehåller prediktionerna, och modellen unemployment_model finns tillgängliga för dig att använda.

Den här övningen är en del av kursen

Övervakad inlärning i R: Regression

Visa kurs

Övningsinstruktioner

  • Ladda paketet WVPlots med hjälp av library().
  • Plotta gainskurvan. Ge plotten titeln "Unemployment model". Sorteras modellens prediktioner korrekt?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# unemployment (with predictions) is available
summary(unemployment)

# unemployment_model is available
summary(unemployment_model)

# Load the package WVPlots
___

# Plot the Gain Curve
___(___, ___, ___, "Unemployment model")
Redigera och kör kod