Parameter dengan kinerja terbaik
Sekarang Anda telah membangun model dengan memvariasikan hiperparameter khusus random forest mtry dengan harapan dapat lebih meningkatkan model Anda. Kini Anda akan mengukur kinerja setiap nilai mtry pada 5 partisi cross validation untuk melihat apakah modelnya dapat ditingkatkan.
Ingat bahwa nilai validate MAE yang Anda hitung dua latihan sebelumnya sebesar 0,795 adalah untuk nilai default mtry yaitu 2.
Latihan ini adalah bagian dari kursus
Machine Learning di Tidyverse
Petunjuk latihan
- Hasilkan prediksi untuk setiap kombinasi mtry/fold.
- Hitung MAE untuk setiap kombinasi mtry/fold.
- Hitung rata-rata MAE untuk setiap nilai
mtry.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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(___))