Sestavení modelu náhodného lesa

Teď použiješ stejná data z křížové validace k sestavení (pomocí train) a vyhodnocení (pomocí validate) náhodných lesů pro každý oddíl. Protože pracuješ se stejnými oddíly křížové validace jako u regresních modelů, můžeš výkon obou modelů přímo porovnat.

Poznámka: Počet stromů v náhodném lese omezíme na 100, aby trénování proběhlo v rozumném čase. Výchozí počet stromů pro ranger() je 500.

Toto cvičení je součástí kurzu

Machine Learning in the Tidyverse

Zobrazit kurz

Pokyny k cvičení

Pomocí ranger() sestav model náhodného lesa, který předpovídá life_expectancy na základě všech příznaků v train pro každý oddíl křížové validace.
Přidej nový sloupec validate_predicted s předpověďmi life_expectancy pro pozorování v validate pomocí právě sestavených modelů náhodného lesa.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

Upravit a spustit kód