Dans un workflow de Machine Learning rigoureux, il est essentiel de mettre de côté une partie de vos données (données de test) et de ne pas l’utiliser pour prendre des décisions. Cela vous permet d’évaluer de façon indépendante les performances de votre modèle une fois finalisé. Le reste des données, les données d’entraînement, sert à construire et sélectionner le meilleur modèle.

Dans cet exercice, vous allez utiliser le package rsample pour scinder vos données et effectuer la première séparation entraînement–test à partir des données gapminder.

Remarque : Comme cette séparation est aléatoire, il est recommandé de fixer une graine avant de la réaliser.

Créer et ajuster un modèle de random forest

Create Your Free Account