ランダムフォレストモデルを評価する
線形回帰モデルのときと同様に、ランダムフォレストモデルの性能評価には MAE 指標を使います。
この演習はコースの一部です
Tidyverse で学ぶ Machine Learning
演習の手順
- 検証データの実測値と予測値を比較して MAE を計算し、
validate_mae列に代入します。 validate_mae列を出力して（値のばらつきに注目してください）ください。- この列の平均を計算します。
Note: 検証フォールドの実測値（validate_actual）は、すでに cv_data データフレームに追加済みです。
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。
library(ranger)
# Calculate validate MAE for each fold
cv_eval_rf <- cv_prep_rf %>%
mutate(validate_mae = map2_dbl(___, ___, ~mae(actual = .x, predicted = .y)))
# Print the validate_mae column
___
# Calculate the mean of validate_mae column
___