モデルを微調整しましょう
すごいですね！回帰モデルから大きく改善できました。ここからは、ランダムフォレストモデルを微調整して、さらに性能を高められるか試してみましょう。そのために、train データでランダムフォレストモデルを構築する際に、mtry パラメーターを変化させます。
ranger における mtry のデフォルト値は、特徴量の総数（6）の平方根を切り捨てた値です。したがって、2 になります。
この演習はコースの一部です
Tidyverse で学ぶ Machine Learning
演習の手順
crossing()を使って、mtryの値が 2 から 5 の範囲になるように、クロスバリデーション用データを展開します。- 各 fold/mtry の組み合わせごとにランダムフォレストモデルを構築します。
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。
# 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)))