Peaufiner votre modèle

Wow ! C'était une amélioration importante par rapport à un modèle de régression. Voyons maintenant si vous pouvez améliorer encore cette performance en peaufinant vos modèles de forêts aléatoires. Pour ce faire, vous ferez varier le paramètre mtry lors de la création de vos modèles de forêts aléatoires sur vos données train.

La valeur par défaut de mtry pour ranger est la racine carrée du nombre total de variables (6), arrondie à l'inférieur. Cela donne une valeur de 2.

Cette activité fait partie du cours

Machine Learning dans le tidyverse

Voir le cours

Instructions de l’exercice

Utilisez crossing() pour étendre les données de validation croisée pour des valeurs de mtry allant de 2 à 5.
Construisez des modèles de forêts aléatoires pour chaque combinaison fold/mtry.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)))

Modifier et exécuter le code