最も高性能なパラメータ
これまでに、ランダムフォレスト特有のハイパーパラメータであるmtryを変化させてモデルを構築し、さらなる精度向上を目指してきました。ここでは、5分割のクロスバリデーションにおける各mtry値のパフォーマンスを測定し、モデルを改善できるかを確認します。
2つ前の演習で計算した検証用MAEが0.795だったことを思い出してください。これは、デフォルトのmtry値 2 に対応する結果でした。
この演習はコースの一部です
Tidyverse で学ぶ Machine Learning
演習の手順
- 各 mtry/フォールドの組み合わせに対して予測値を生成します。
- 各 mtry/フォールドの組み合わせに対してMAEを計算します。
mtryの各値について、MAE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。
# 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(___))