Обчисліть матрицю неточностей

Як ви бачили у відео, матриця неточностей — це дуже корисний інструмент для калібрування виходу моделі та аналізу всіх можливих результатів ваших передбачень (істинно позитивні, істинно негативні, хибно позитивні, хибно негативні).

Перш ніж створити матрицю неточностей, потрібно «обрізати» передбачені ймовірності на заданому порозі, щоб перетворити їх на фактор класових передбачень. Поєднайте ifelse() з factor() так:

pos_or_neg <- ifelse(probability_prediction > threshold, positive_class, negative_class)
p_class <- factor(pos_or_neg, levels = levels(test_values))

confusionMatrix() у caret розширює table() з базового R, додаючи багато корисних допоміжних статистик на додачу до базових частот у таблиці. Ви можете обчислити матрицю неточностей (і пов'язані з нею статистики), використовуючи як передбачені результати, так і фактичні, наприклад:

confusionMatrix(p_class, test_values)

Ця вправа є частиною курсу

Machine Learning з пакетом caret в R

Переглянути курс

Інструкції до вправи

Використайте ifelse(), щоб створити символьний вектор m_or_r, який дорівнює позитивному класу "M", коли p більше за 0.5, і негативному класу "R" — інакше.
Перетворіть m_or_r на фактор p_class з рівнями, такими самими, як у test[["Class"]].
Створіть матрицю неточностей за допомогою confusionMatrix(), передавши p_class і стовпчик "Class" з набору даних test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# If p exceeds threshold of 0.5, M else R: m_or_r


# Convert to factor: p_class


# Create confusion matrix

Редагувати та запускати код