Le meilleur hyperparamètre
Vous avez maintenant entraîné des modèles en faisant varier l’hyperparamètre spécifique aux forêts aléatoires mtry dans l’espoir d’améliorer encore votre modèle. Vous allez à présent mesurer la performance de chaque valeur de mtry sur les 5 partitions de validation croisée pour voir si vous pouvez améliorer le modèle.
Rappelez-vous que la MAE de validation que vous avez calculée il y a deux exercices, égale à 0.795, correspondait à la valeur par défaut de mtry, 2.
Cet exercice fait partie du cours
<cours>Machine Learning dans le tidyverse</cours>Instructions de l’exercice
- Générez des prédictions pour chaque combinaison mtry/pli.
- Calculez la MAE pour chaque combinaison mtry/pli.
- Calculez la MAE moyenne pour chaque valeur de
mtry.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>%
mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))
# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>%
mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))
# Calculate the mean validate_mae for each mtry used
cv_eval_tunerf %>%
group_by(___) %>%
summarise(mean_mae = mean(___))