Natrénuj model náhodného lesa

Jak jsi viděl/a ve videu, modely náhodného lesa jsou mnohem flexibilnější než lineární modely – dokážou zachytit složité nelineární závislosti a automaticky odhalit interakce mezi proměnnými. Na reálných datech zpravidla dosahují velmi dobrých výsledků, takže je vyzkoušíme na datasetu s kvalitou vína. Cílem je předpovědět kvalitu vína hodnocenou lidmi na základě chemických a fyzikálních vlastností každé šarže změřených strojově.

Trénování modelu náhodného lesa probíhá úplně stejně jako trénování zobecněného lineárního regresního modelu z předchozí kapitoly. Stačí změnit argument method ve funkci train na "ranger". Balíček ranger je přepracovanou verzí klasického R balíčku randomForest – trénuje modely výrazně rychleji a přitom dává téměř totožné výsledky. Pro začátečníky doporučujeme právě balíček ranger.

Toto cvičení je součástí kurzu

Machine Learning s balíčkem caret v R

Zobrazit kurz

Pokyny k cvičení

Natrénuj model náhodného lesa s názvem model na datasetu s kvalitou vína wine tak, aby quality byla cílová proměnná a všechny ostatní proměnné byly vysvětlující.
Použij method = "ranger".
Nastav tuneLength na 1.
Použij 5 CV záhybů.
Vypiš model do konzole.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit random forest: model
model <- train(
  ___,
  tuneLength = ___,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console

Upravit a spustit kód