Random-Forest-Modelle tunen

Jetzt, da du ein funktionierendes logistisches Regressionsmodell hast, bereitest du ein Random-Forest-Modell vor, um es damit zu vergleichen.

Diese Übung ist Teil des Kurses

Machine Learning im Tidyverse

Kurs anzeigen

Anleitung zur Übung

Verwende crossing(), um die Cross-Validation-Daten für Werte von mtry mit den Werten 2, 4, 8 und 16 zu erweitern.
Erstelle Random-Forest-Modelle für jede Fold/mtry-Kombination.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

library(ranger)

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>%
  crossing(mtry = c(___)) 

# Build a cross validation model for each fold & mtry combination
cv_models_rf <- cv_tune %>% 
  mutate(model = map2(___, ___, ~ranger(formula = Attrition~., 
                                           data = .x, mtry = .y,
                                           num.trees = 100, seed = 42)))

Code bearbeiten und ausführen