カスタム trainControl を使ったランダムフォレスト
私のお気に入りのモデルのひとつにランダムフォレストがあります。これは、非線形の決定木をアンサンブルして、柔軟性が高く（そしてたいていはかなり高精度な）モデルを作る手法です。
ここでは定番の randomForest パッケージではなく、ranger パッケージを使います。ranger は randomForest の再実装で、ほぼ同じ結果を返しつつ、より高速で安定し、メモリ使用量も少ないのが特長です。R でランダムフォレストを扱う際の出発点として強くおすすめします。
この演習はコースの一部です
Rで学ぶ caret を使った Machine Learning
演習の手順
churn_x と churn_y はワークスペースに読み込まれています。
- churn データセットにランダムフォレストモデルを当ててください。これまでと同様に
trainControlにはmyControlを使い、"ranger"メソッドを指定しましょう。
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。
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)