Random Forest mit individuellem trainControl

Ein weiteres meiner Lieblingsmodelle ist der Random Forest. Er kombiniert ein Ensemble nichtlinearer Entscheidungsbäume zu einem sehr flexiblen (und meist ziemlich genauen) Modell.

Anstatt das klassische Paket randomForest zu verwenden, nutzt du hier das Paket ranger. Es ist eine Neuimplementierung von randomForest, die nahezu identische Ergebnisse liefert, aber schneller, stabiler ist und weniger Speicher benötigt. Ich empfehle es sehr als Startpunkt für Random-Forest-Modellierung in R.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit caret in R</Kurs>

Kurs ansehen

Übungsanweisungen

churn_x und churn_y sind in deinem Workspace geladen.

Passe ein Random-Forest-Modell an den Churn-Datensatz an. Verwende dabei wie zuvor myControl als trainControl und setze die "ranger"-Methode ein.

Interaktive praktische Übung

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

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)

Code bearbeiten und ausführen