Construire et évaluer le meilleur modèle

Grâce à la validation croisée, vous avez pu déterminer le meilleur modèle pour prédire life_expectancy à partir de toutes les variables de gapminder. Maintenant que vous avez choisi votre modèle, vous pouvez utiliser l'ensemble de données indépendant (testing_data) que vous aviez mis de côté pour estimer sa performance sur de nouvelles données.

Vous allez construire ce modèle avec toutes les données de training_data et l'évaluer avec testing_data.

Cette activité fait partie du cours

Machine Learning dans le tidyverse

Voir le cours

Instructions de l’exercice

Utilisez ranger() pour construire le modèle le plus performant (mtry = 4) avec toutes les données d'entraînement. Assignez-le à best_model.
Extrayez la colonne life_expectancy de testing_data et assignez-la à test_actual.
Prédisez life_expectancy en utilisant best_model sur les données de testing et assignez le résultat à test_predicted.
Calculez la MAE en utilisant les vecteurs test_actual et test_predicted.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
                     mtry = ___, num.trees = 100, seed = 42)

# Prepare the test_actual vector
test_actual <- testing_data$___

# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions

# Calculate the test MAE
mae(___, ___)

Modifier et exécuter le code