Sestav a vyhodnoť nejlepší model

Pomocí křížové validace jsi identifikoval/a nejlepší model pro predikci life_expectancy na základě všech příznaků v gapminder. Teď, když máš model vybraný, můžeš použít nezávislou sadu dat (testing_data), kterou jsi si odložil/a stranou, a odhadnout, jak dobře bude model fungovat na nových datech.

Model sestavíš pomocí všech dat z training_data a vyhodnotíš ho na testing_data.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Pomocí ranger() sestav nejlepší model (mtry = 4) na všech trénovacích datech. Výsledek ulož do best_model.
Extrahuj sloupec life_expectancy z testing_data a ulož ho do test_actual.
Pomocí best_model predikuj life_expectancy na testovacích datech a výsledek ulož do test_predicted.
Vypočítej MAE pomocí vektorů test_actual a test_predicted.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
                     mtry = ___, num.trees = 100, seed = 42)

# Prepare the test_actual vector
test_actual <- testing_data$___

# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions

# Calculate the test MAE
mae(___, ___)

Upravit a spustit kód