Feinschliff für dein Modell

Wow! Das war eine deutliche Verbesserung gegenüber einem linearen Regressionsmodell. Jetzt schauen wir, ob du diese Leistung durch Feintuning deiner Random-Forest-Modelle weiter steigern kannst. Dafür variierst du den Parameter mtry, wenn du deine Random-Forest-Modelle auf den train-Daten erstellst.

Der Standardwert von mtry für ranger ist die abgerundete Quadratwurzel der Gesamtzahl der Features (6). Das ergibt einen Wert von 2.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning im Tidyverse</Kurs>

Kurs ansehen

Übungsanweisungen

Verwende crossing(), um die Cross-Validation-Daten für mtry-Werte von 2 bis 5 zu erweitern.
Erstelle Random-Forest-Modelle für jede Fold/mtry-Kombination.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

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

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

Code bearbeiten und ausführen