Random forest con trainControl personalizzato
Un altro dei miei modelli preferiti è il random forest, che combina un ensemble di alberi di decisione non lineari in un modello molto flessibile (e di solito anche piuttosto accurato).
Invece del classico pacchetto randomForest, userai il pacchetto ranger, una re-implementazione di randomForest che produce quasi gli stessi risultati, ma è più veloce, più stabile e usa meno memoria. Lo consiglio vivamente come punto di partenza per il modeling con random forest in R.
Questo esercizio fa parte del corso
Machine Learning con caret in R
Istruzioni dell'esercizio
churn_x e churn_y sono già caricati nel tuo workspace.
- Addestra un modello random forest sul dataset di churn. Assicurati di usare
myControlcometrainControlcome hai fatto in precedenza e imposta il metodo"ranger".
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)