Essayez une plus grande longueur d'ajustement

Rappelez-vous de la vidéo que les modèles de forêts aléatoires ont un principal paramètre d'ajustement, mtry, qui détermine combien de variables sont proposées à la procédure de recherche de scission à chaque nœud. Par exemple, supposons qu'un arbre comporte 10 divisions au total et que mtry = 2. Cela signifie qu'il y a 10 échantillons de 2 prédicteurs chaque fois qu'une division est évaluée.

Utilisez cette fois une grille d'ajustement plus large, mais respectez les valeurs par défaut fournies par la fonction train(). Essayez un tuneLength de 3, plutôt que 1, pour explorer davantage de modèles potentiels, puis tracez le modèle obtenu avec la fonction plot.

Cette activité fait partie du cours

Machine Learning avec caret en R

Voir le cours

Instructions de l’exercice

Entraînez un modèle de forêt aléatoire, model, en utilisant l'ensemble de données wine sur la variable quality, avec toutes les autres variables comme explicatives. (L'exécution prendra quelques secondes ; merci de patienter!)
Utilisez method = "ranger".
Changez tuneLength à 3.
Utilisez 5 plis de CV.
Affichez model dans la console.
Tracez le modèle après l'ajustement.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Fit random forest: model
model <- train(
  ___,
  tuneLength = 1,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console


# Plot model

Modifier et exécuter le code