1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning in the Tidyverse
Connected

Cvičení

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.

Pokyny

100 XP
  • 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.