Random forest s vlastním trainControl
Dalším z mých oblíbených modelů je random forest, který kombinuje soubor nelineárních rozhodovacích stromů do velmi flexibilního (a zpravidla i přesného) modelu.
Místo klasického balíčku randomForest použiješ balíček ranger – jde o reimplementaci randomForest, která dává prakticky totožné výsledky, ale je rychlejší, stabilnější a méně náročná na paměť. Pro random forest modelování v R ho vřele doporučuji jako první volbu.
Toto cvičení je součástí kurzu
Machine Learning s balíčkem caret v R
Pokyny k cvičení
churn_x a churn_y jsou načteny v tvém pracovním prostředí.
- Natrénuj model random forest na datasetu churn. Nezapomeň jako
trainControlpoužítmyControl(stejně jako dříve) a jako metodu zvolit"ranger".
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)