BaşlayınÜcretsiz başlayın

Özgüllüğü (specificity) hesapla

Model performansı için farklı ölçüler kullanmak, onu daha doğru değerlendirmeni sağlar. Farklı kullanım durumları için birkaç metrik vardır. Specificity (özgüllük), doğru biçimde tanımlanan gerçek negatif sonuçların oranını ölçer:

$$\text{specificity} = \frac{TN}{TN + FP}$$

Bu formül, özgüllük %100’e yaklaştıkça, yanlış pozitiflerin (FP) 0’a yaklaştığını ima eder.

Bu egzersizde, çapraz doğrulama ile modelinin örneklem dışı özgüllüğünü inceleyeceksin.

Önceden yüklenmiş olarak kredi kartı müşterileri veri kümesinin eğitim verisi customers_train ve aşağıdaki kodla oluşturulmuş bir karar ağacı spesifikasyonu tree_spec bulunuyor:

tree_spec <- decision_tree() %>% 
                set_engine("rpart") %>%
                set_mode("classification")

Bu egzersiz, kursun bir parçasıdır

R ile Ağaç Tabanlı Modellerle Machine Learning

Kursa Göz Atın

Egzersiz talimatları

  • customers_train için üç adet CV katlaması (fold) oluştur ve folds olarak kaydet.
  • tree_spec spesifikasyonunu, bir model formülünü, CV katlamalarını ve uygun bir metrik setini alan fit_resamples() ile çapraz doğrulamalı specificity hesapla. Tüm yordayıcıları kullanarak still_customer için tahmin yap ve sonuçları specificities değişkenine kaydet.
  • Sonuçları tek bir fonksiyonla birleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create CV folds of the training data
folds <- ___(customers_train, v = ___)

# Calculate CV specificity
specificities <- ___(___, 
                     ___,
                     resamples = ___,
                     metrics = ___)

# Collect the metrics
___(specificities)
Kodu Düzenle ve Çalıştır