Đánh giá
Đến lúc tổng kết rồi. Hãy tinh chỉnh (tune) mô hình để tìm giá trị penalty tối ưu và fit mô hình cuối cùng để đánh giá kết quả của bạn.
Workflow, lưới penalty và hàm class_evaluate() do bạn định nghĩa sẵn có trong môi trường làm việc.
Bài tập này là một phần của khóa học
Kỹ thuật đặc trưng (Feature Engineering) với R
Hướng dẫn bài tập
- Thiết lập một
tune_gridđể khám phá hiệu suất mô hình theo ROC_AUC. - Chọn giá trị penalty tốt nhất.
- Fit workflow cuối cùng với penalty tốt nhất.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Set up a tune grid to explore your model performance against roc_auc
lr_tune_output <- ___(lr_workflow, resamples = vfold_cv(train, v = 5),
metrics = metric_set(roc_auc), grid = lr_penalty_grid)
# Select the best penalty value
best_penalty <- ___(lr_tune_output, metric = 'roc_auc', desc(penalty))
# Fit the final workflow with the best penalty
lr_final_fit<- ___(lr_workflow, best_penalty) %>% fit(data = train)
lr_final_fit %>% augment(test) %>%
class_evaluate(truth = Attrition, estimate = .pred_class, .pred_Yes)