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

Machine Learning im Tidyverse

Kurs anzeigen

Anleitung zur Übung

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 Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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