Đánh giá mô hình cây quyết định với UMAP
Trong bài trước, bạn đã tạo một workflow để áp dụng UMAP và xây dựng mô hình cây quyết định. Giờ là lúc huấn luyện mô hình bằng dữ liệu huấn luyện đó và so sánh hiệu năng của nó với mô hình cây quyết định không giảm chiều. Vì biến đích credit_score là biến phân loại, bạn sẽ dùng f_meas() để đánh giá hiệu năng các mô hình. Mô hình không giảm chiều và các dự đoán trên tập kiểm tra của nó lần lượt được lưu trong dt_fit và predict_df. Workflow UMAP bạn đã tạo nằm trong umap_dt_workflow. Các tập train và test cũng đã được cung cấp.
Các gói tidyverse, tidymodels, và embed đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Giảm Chiều Dữ Liệu với R
Hướng dẫn bài tập
- Dùng
f_measđể đánh giá hiệu năng củadt_fit(mô hình không giảm chiều). - Huấn luyện mô hình đã giảm chiều bằng UMAP với
umap_dt_workflow. - Tạo data frame dự đoán trên tập kiểm tra cho mô hình UMAP đã giảm chiều.
- Dùng
f_measđể đánh giá hiệu năng củaumap_dt_fitđã giảm chiều.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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
___(___, ___, ___)