Random forestの性能

前の演習で作成したRandom forestモデルが、ロジスティック回帰モデルよりも良い性能を出せるか確認してみましょう。

ロジスティック回帰モデルの検証データにおけるrecallは0.43でした。

この演習はコースの一部です

Tidyverse で学ぶ Machine Learning

コースを見る

演習の手順

各mtryとfoldの組み合わせについて、validate_actual列とvalidate_predicted列を用意します。
各mtryとfoldの組み合わせごとにrecallを計算します。
各mtryの値ごとにrecallの平均を計算します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

cv_prep_rf <- cv_models_rf %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response")$predictions == "Yes")
  )

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_rf %>% 
  mutate(recall = map2_dbl(.x = ___, .y = ___, ~recall(actual = .x, predicted = .y)))

# Calculate the mean recall for each mtry used  
cv_perf_recall %>% 
  group_by(___) %>% 
  summarise(mean_recall = mean(___))

コードを編集して実行