Ajuster des modèles de forêt aléatoire

Maintenant que vous avez un modèle de régression logistique fonctionnel, vous allez préparer un modèle de forêt aléatoire pour le comparer avec celui-ci.

Cette activité fait partie du cours

Machine Learning dans le tidyverse

Voir le cours

Instructions de l’exercice

Utilisez crossing() pour développer les données de validation croisée pour les valeurs de mtry en utilisant 2, 4, 8 et 16.
Créez des modèles de forêt aléatoire pour chaque combinaison pli/mtry.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

library(ranger)

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

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

Modifier et exécuter le code