Ein Random-Forest-Modell erstellen

Hier verwendest du dieselben Cross-Validation-Daten, um für jede Partition Random Forests zu erstellen (mit train) und zu evaluieren (mit validate). Da du die gleichen Cross-Validation-Partitionen wie für deine Regressionsmodelle nutzt, kannst du die Leistung der beiden Modelltypen direkt vergleichen.

Hinweis: Wir begrenzen unsere Random Forests auf 100 Bäume, damit das Fitten in angemessener Zeit abgeschlossen ist. Die Standardanzahl an Bäumen für ranger() beträgt 500.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning im Tidyverse</Kurs>

Kurs ansehen

Übungsanweisungen

Verwende ranger(), um für jede Cross-Validation-Partition einen Random Forest zu bauen, der life_expectancy mit allen Features in train vorhersagt.
Füge eine neue Spalte validate_predicted hinzu, die mit den soeben erstellten Random-Forest-Modellen die life_expectancy für die Beobachtungen in validate vorhersagt.

Interaktive praktische Übung

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

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

Code bearbeiten und ausführen