Essayez une longueur d’ajustement plus grande

Rappelez-vous de la vidéo que les modèles de forêts aléatoires ont un paramètre d’optimisation principal, mtry, qui contrôle combien de variables sont proposées à l’algorithme de recherche de coupures à chaque séparation. Par exemple, supposons qu’un arbre ait au total 10 coupures et que mtry = 2. Cela signifie qu’il y a 10 échantillonnages de 2 prédicteurs chaque fois qu’une coupure est évaluée.

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

Cet exercice fait partie du cours

Machine Learning avec caret en R

Afficher le cours

Instructions

Entraînez un modèle de forêt aléatoire, model, en utilisant le jeu 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".
Modifiez tuneLength à 3.
Utilisez 5 plis de validation croisée (CV).
Affichez model dans la console.
Tracez le modèle après l’ajustement.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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