Dolaď svůj model

Skvělé! To bylo výrazné zlepšení oproti regresnímu modelu. Zkusme teď výkon ještě zvýšit – doladěním parametrů random forest modelů. Budeš měnit hodnotu parametru mtry při trénování random forest modelů na trénovacích datech train.

Výchozí hodnota mtry pro ranger je zaokrouhlená dolů druhá odmocnina celkového počtu příznaků (6). Výsledná hodnota je tedy 2.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Pomocí crossing() rozšiř data křížové validace pro hodnoty mtry v rozsahu od 2 do 5.
Natrénuj random forest modely pro každou kombinaci foldu a hodnoty mtry.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

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

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

Upravit a spustit kód