Ajusta bien tu modelo

¡Vaya! Eso ha sido una mejora importante respecto a un modelo de regresión. Ahora, veamos si puedes mejorar aún más el rendimiento ajustando finamente tus modelos de random forest. Para ello, variarás el parámetro mtry al construir tus modelos de random forest con tus datos de train.

El valor predeterminado de mtry para ranger es la raíz cuadrada del número total de características (6), redondeada hacia abajo. Esto da como resultado un valor de 2.

Este ejercicio forma parte del curso

Machine Learning en el tidyverse

Ver curso

Instrucciones del ejercicio

Usa crossing() para ampliar los datos de validación cruzada con valores de mtry del 2 al 5.
Crea modelos de random forest para cada combinación de fold/mtry.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>% 
  crossing(mtry = ___:___) 

# Build a model for each fold & mtry combination
cv_model_tunerf <- cv_tune %>% 
  mutate(model = map2(.x = ___, .y = ___, ~ranger(formula = life_expectancy~., 
                                           data = .x, mtry = .y, 
                                           num.trees = 100, seed = 42)))

Editar y ejecutar código