속도-정확도 간의 균형
이전 영상에서 랜덤 포레스트의 성능에 영향을 주기 위해 조정할 수 있는 두 가지 설정을 보셨습니다:
- 각 포레스트의 결정 트리 개수
- 결정 트리에서 분할에 사용하는 변수 개수
각 값을 늘리면 대체(imputation) 모델의 정확도가 좋아질 수 있지만, 실행 시간도 더 오래 걸립니다. 이번 연습에서는 서로 다른 설정으로 missForest()를 biopics 데이터에 두 번 적용해 보며 이러한 아이디어를 직접 확인해 보겠습니다. 지침을 따라가면서 출력되는 오류(오차)와 코드 실행 시간을 주의 깊게 살펴보세요.
이 연습은 강의의 일부입니다
R에서 대치(Imputation)로 결측치 다루기
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Set number of trees to 5 and number of variables used for splitting to 2
imp_res <- missForest(biopics, ___ = ___, ___ = ___)
# Print the resulting imputation errors
print(___)