Affinez votre modèle

Waouh ! C’était une amélioration notable par rapport à un modèle de régression. Voyons maintenant si vous pouvez encore améliorer ces performances en affinant vos modèles de random forest. Pour cela, vous ferez varier le paramètre mtry lors de la construction de vos modèles de random forest sur vos données train.

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

Cet exercice fait partie du cours

<cours>Machine Learning dans le tidyverse</cours>

Voir le cours

Instructions de l’exercice

Utilisez crossing() pour étendre les données de validation croisée avec des valeurs de mtry allant de 2 à 5.
Créez des modèles de random forest 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