Selaraskan model Anda

Wah! Itu peningkatan yang signifikan dibandingkan model regresi. Sekarang mari lihat apakah Anda bisa meningkatkan kinerja ini lebih jauh dengan menyetel halus model random forest Anda. Untuk melakukannya, Anda akan mengubah parameter mtry saat membangun model random forest pada data train Anda.

Nilai default mtry untuk ranger adalah akar kuadrat dari total jumlah fitur (6) yang dibulatkan ke bawah. Ini menghasilkan nilai 2.

Latihan ini merupakan bagian dari kursus

Machine Learning di Tidyverse

Lihat Kursus

Instruksi latihan

Gunakan crossing() untuk memperluas data validasi silang untuk nilai mtry dari 2 hingga 5.
Bangun model random forest untuk setiap kombinasi fold/mtry.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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)))

Edit dan Jalankan Kode