Der am besten performende Parameter

Du hast jetzt Modelle erstellt, bei denen du den random-forest-spezifischen Hyperparameter mtry variiert hast, um dein Modell weiter zu verbessern. Jetzt misst du die Performance jedes mtry-Werts über die 5 Cross-Validation-Partitionen, um zu sehen, ob du das Modell verbessern kannst.

Denk daran: Der validierte MAE, den du vor zwei Übungen berechnet hast, 0.795, war für den Standardwert von mtry 2.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning im Tidyverse</Kurs>

Kurs ansehen

Übungsanweisungen

Erzeuge Vorhersagen für jede mtry/Fold-Kombination.
Berechne den MAE für jede mtry/Fold-Kombination.
Berechne den durchschnittlichen MAE für jeden Wert von mtry.

Interaktive praktische Übung

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

# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>% 
  mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))

# Calculate the mean validate_mae for each mtry used  
cv_eval_tunerf %>% 
  group_by(___) %>% 
  summarise(mean_mae = mean(___))

Code bearbeiten und ausführen