Model değerlendirmeni özelleştir

Farklı modelleri denerken özel değerlendirme fonksiyonları oluşturmak oldukça kullanışlıdır. yardstick paketindeki metric_set() fonksiyonu bunu yapmana yardımcı olabilir.

roc_auc, accuracy, sens (duyarlılık) ve spec (özgüllük) döndüren bir fonksiyon tanımla ve bunu modelini değerlendirmek için kullan.

Genişletilmiş veri çerçevesi lr_aug zaten yüklendi ve kullanıma hazır.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

roc_auc, accuracy, sens ve spec döndüren özel bir değerlendirme fonksiyonu tanımla.
Seçtiğin metrikleri elde etmek için yeni fonksiyonunu lr_aug üzerinde kullanarak modelini değerlendir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Define a custom assessment function 
class_evaluate <- ___(___, ___, sens, ___)

# Assess your model using your new function
___(___, truth = Attrition,
               estimate = .pred_class,
               .pred_No)

Kodu Düzenle ve Çalıştır

R'da Feature Engineering

IntermediárioNível de habilidade

4.8+

120 reviews

You’ll wrap up the course by learning about feature engineering and machine learning techniques. You’ll begin by focusing on the problems associated with using all available features in a model and the importance of identifying irrelevant and redundant features and learning to remove these features using embedded methods such as lasso and elastic-net. Next, you’ll explore shrinkage methods such as lasso, ridge, and elastic-net, which can be used to regularize feature weights or select features by setting coefficients to zero. Finally, you’ll finish by focusing on creating an end-to-end feature engineering workflow and reviewing and practicing the previously learned concepts and functions in a small project.

Exercise 1: Reducing the model's features Exercise 2: Sifting through variable importance Exercise 3: Assessing model performance using all available predictors Exercise 4: Building a reduced model Exercise 5: Shrinkage methods Exercise 6: Manual regularization with Lasso Exercise 7: Tuning the penalty Exercise 8: Finalizing the model Exercise 9: Putting it all together Exercise 10: Prep and split Exercise 11: Preprocess Exercise 12: Model Exercise 13: Assess Exercise 14: Congratulations!