计算 specificity

使用不同的模型评估指标可以更准确地衡量性能。针对不同场景有多种指标可选。 Specificity（特异度） 衡量被正确识别的 真负类 的比例：

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

该公式表明，当特异度接近 100% 时，假阳性（FP）将"接近 0"。

在本练习中，您将使用交叉验证来考察模型的样本外特异度。

已预加载信用卡客户数据集的训练数据 customers_train，以及决策树规格 tree_spec，其由以下代码生成：

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

本练习是课程的一部分

R 中的树模型机器学习

查看课程

练习说明

为 customers_train 创建 3 折交叉验证，并保存为 folds。
使用 fit_resamples() 计算交叉验证的 specificity，该函数需要您的模型规格 tree_spec、模型公式、CV 折以及合适的度量集合。使用所有自变量来预测 still_customer，并将结果保存到 specificities。
使用一个函数汇总结果。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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

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

# Collect the metrics
___(specificities)

编辑并运行代码