评估
现在是检验成果的时候了。请调参以找到最优的 penalty 值，并拟合最终模型来评估您的工作。
您的 workflow、penalty 网格，以及用户自定义的 class_evaluate() 函数已在环境中可用。
本练习是课程的一部分
R 中的特征工程
练习说明
- 设置一个
tune_grid，以 ROC_AUC 作为指标来评估模型表现。 - 选择最优的 penalty 值。
- 使用最佳 penalty 拟合最终的 workflow。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)