LoslegenKostenlos starten

Variablenwichtigkeit

Du weißt bereits, dass Bagging-Bäume ein Ensemblemodell sind, das das Varianzproblem von Entscheidungsbäumen überwindet. Jetzt hast du gelernt, dass der Random-Forest-Algorithmus dies weiter verbessert, indem er in jedem Baum nur eine zufällige Teilmenge der Features verwendet. Dadurch wird das Ensemble weiter entkoppelt, was die Vorhersageleistung erhöht.

In dieser Übung baust du selbst einen Random Forest und visualisierst die Wichtigkeit der Prädiktoren mit dem Paket vip. Die Trainingsdaten customers_train sind in deinem Workspace bereits geladen.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle spec, die Spezifikation eines Random-Forest-Klassifikationsmodells mit der Engine "ranger" und Variablenwichtigkeit "impurity".
  • Erstelle model, indem du das Tibble customers_train mit still_customer als Zielvariable und allen anderen Spalten als Prädiktoren an spec anpasst.
  • Visualisiere die Variablenwichtigkeit mit der Funktion vip() aus dem Paket vip (das nicht vorab geladen ist).

Interaktive praktische Übung

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

# Specify a random forest
spec <- ___ %>%
	set_mode("classification") %>%
    set_engine(___, importance = ___)

# Train the forest
model <- spec %>%
    fit(___,
        ___)

# Plot the variable importance
vip::___(model)
Code bearbeiten und ausführen