UMAP karar ağacı modelini değerlendir
Önceki egzersizde, UMAP uygulamak ve bir karar ağacı modeli kurmak için bir workflow oluşturdun. Şimdi o eğitim verisini kullanarak bir model eğitme ve performansını azaltılmamış karar ağacı modeliyle karşılaştırma zamanı. Hedef değişken credit_score kategorik olduğundan, modellerin performanslarını değerlendirmek için f_meas() kullanacaksın. Azaltılmamış model ve onun test tahminleri sırasıyla dt_fit ve predict_df içinde saklanıyor. Oluşturduğun UMAP workflow'u umap_dt_workflow içinde. train ve test kümeleri de sağlandı.
tidyverse, tidymodels ve embed paketleri senin için yüklendi.
Bu egzersiz
R'de Boyutsal Azaltma
kursunun bir parçasıdırEgzersiz talimatları
- Azaltılmamış
dt_fit'in performansını değerlendirmek içinf_measkullan. umap_dt_workflowkullanarak UMAP ile azaltılmış modeli eğit.- Azaltılmış UMAP modeli için test kümesi tahmin veri çerçevesini oluştur.
- Azaltılmış
umap_dt_fit'in performansını değerlendirmek içinf_measkullan.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Evaluate the unreduced decision tree model performance
___(___, ___, ___)
# Fit the UMAP decision tree model
umap_dt_fit <- ___ %>%
fit(___ = ___)
# Create test set prediction data frame for the UMAP model
predict_umap_df <- ___ %>%
___(predict = ___(___, ___))
# Calculate F1 performance of the UMAP model
___(___, ___, ___)