Forêt aléatoire avec un trainControl personnalisé

Un autre de mes modèles préférés est la forêt aléatoire, qui regroupe un ensemble d'arbres de décision non linéaires pour former un modèle très flexible (et généralement très précis).

Plutôt que d'utiliser le classique progiciel randomForest, vous utiliserez le progiciel ranger, une réimplémentation de randomForest qui produit presque exactement les mêmes résultats, mais qui est plus rapide, plus stable et consomme moins de mémoire. Je le recommande fortement comme point de départ pour le modélisation avec des forêts aléatoires en R.

Cette activité fait partie du cours

Machine Learning avec caret en R

Voir le cours

Instructions de l’exercice

churn_x et churn_y sont chargés dans votre espace de travail.

Ajustez un modèle de forêt aléatoire sur l'ensemble de données de désabonnement. Assurez-vous d'utiliser myControl comme trainControl, comme vous l'avez fait précédemment, et d'indiquer la méthode "ranger".

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)

Modifier et exécuter le code