เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

คำนวณประสิทธิภาพด้วย Cross-Validation

การเลือก metric ที่เหมาะสมเพื่อ optimize โมเดลนั้นมีความสำคัญมาก เพราะ metric ที่ดีต้องสอดคล้องกับเป้าหมายที่ต้องการ

สมมติว่าต้องการใช้โมเดลนี้เพื่อระบุพนักงานที่คาดว่าจะลาออก โดยอยากให้โมเดลสามารถตรวจจับพนักงานกลุ่มนี้ได้มากที่สุดเท่าที่จะเป็นไปได้ เพื่อจะได้เข้าไปดูแลได้ทันท่วงที metric ที่ตรงกับเป้าหมายนี้คือ recall ดังนั้นจึงใช้ recall เป็นเกณฑ์เดียวในการ optimize และเลือกโมเดล

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ใน Tidyverse

ดูคอร์ส

คำแนะนำการฝึกหัด

  • คำนวณค่า recall โดยเปรียบเทียบค่าจริงกับค่าที่พยากรณ์ไว้ในแต่ละ fold แล้วกำหนดผลลัพธ์ไว้ในคอลัมน์ validate_recall
  • แสดงผลคอลัมน์ validate_recall
  • แสดงผลค่าเฉลี่ยของคอลัมน์นี้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_lr %>% 
  mutate(validate_recall = map2_dbl(___, ___, 
                                    ~recall(actual = .x, predicted = .y)))

# Print the validate_recall column
cv_perf_recall$___

# Calculate the average of the validate_recall column
___
แก้ไขและรันโค้ด