Random forest con trainControl personalizado
Otro de mis modelos favoritos es el random forest, que combina un conjunto (ensemble) de árboles de decisión no lineales para crear un modelo muy flexible (y normalmente bastante preciso).
En lugar de usar el paquete clásico randomForest, vas a trabajar con el paquete ranger, que es una reimplementación de randomForest que produce prácticamente los mismos resultados, pero es más rápido, más estable y consume menos memoria. Te lo recomiendo como punto de partida para modelar random forest en R.
Este ejercicio forma parte del curso
Machine Learning con caret en R
Instrucciones del ejercicio
churn_x y churn_y están cargados en tu espacio de trabajo.
- Ajusta un modelo de random forest al conjunto de datos de churn. Asegúrate de usar
myControlcomotrainControl, como has hecho antes, y de emplear el método"ranger".
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)