Ladění modelů náhodného lesa

Teď, když máš funkční model logistické regrese, připravíš model náhodného lesa, se kterým ho porovnáš.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Pokyny k cvičení

Pomocí crossing() rozšiř data křížové validace o hodnoty parametru mtry: 2, 4, 8 a 16.
Natrénuj modely náhodného lesa pro každou kombinaci foldu a hodnoty mtry.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

library(ranger)

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>%
  crossing(mtry = c(___)) 

# Build a cross validation model for each fold & mtry combination
cv_models_rf <- cv_tune %>% 
  mutate(model = map2(___, ___, ~ranger(formula = Attrition~., 
                                           data = .x, mtry = .y,
                                           num.trees = 100, seed = 42)))

Upravit a spustit kód