Erstelle Bagging-Bäume
Ensemble-Modelle wie Bagging-Bäume sind leistungsstärker als einzelne Entscheidungsbäume. Jeder Baum im Ensemble gibt eine Stimme ab, und der Durchschnitt bzw. die Mehrheitsentscheidung ist deine Vorhersage. So nutzt du Schwarmintelligenz statt dich auf einen einzelnen Baum zu verlassen. Beim Bagging sorgt die Bootstrap-Methode dafür, dass in jedem Baum des Ensembles nur eine Bootstrap-Stichprobe (Ziehen mit Zurücklegen) des ursprünglichen Datensatzes verwendet wird, um den Baum zu trainieren und die Vorhersage zu erzeugen.
Setz das jetzt um, indem du selbst einen Bagging-Klassifikationsbaum erstellst!
Die Trainingsdaten zu Kreditkartenkund:innen sind als customers_train vorab geladen.
Diese Übung ist Teil des Kurses
<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Create the specification
library(baguette)
spec_bagged <- ___ %>%
___ %>%
___(___, ___)
spec_bagged