ランダムフォレストを当てはめる
動画で見たとおり、ランダムフォレストは線形モデルよりずっと柔軟で、複雑な非線形効果を表現できるうえ、変数間の相互作用も自動で捉えられます。実データでとても良い結果を出しやすいので、ワイン品質データセットで試してみましょう。目的は、機械で測定した化学的・物理的特性から、同じバッチのワインに対する人手の品質評価を予測することです。
ランダムフォレストの学習手順は、前の章で行った一般化線形回帰モデルとまったく同じです。train 関数の method 引数を "ranger" に変えるだけです。ranger パッケージは、R の古典的な randomForest パッケージを書き直したもので、学習がはるかに高速ですが、結果はほぼ同じです。ランダムフォレストのモデリングには、初心者の方は ranger パッケージを使うことをおすすめします。
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
- ワイン品質データセット
wineに対して、qualityを目的変数、その他すべてを説明変数として、ランダムフォレストmodelを学習してください。 method = "ranger"を使用します。tuneLengthは 1 にします。- 5 分割の CV を使います。
modelをコンソールに出力してください。
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
model <- train(
___,
tuneLength = ___,
data = ___,
method = ___,
trControl = trainControl(
method = "cv",
number = ___,
verboseIter = TRUE
)
)
# Print model to console