모델 세부 튜닝

훌륭합니다! 회귀 모델에 비해 성능이 크게 향상되었습니다. 이번에는 랜덤 포레스트 모델을 세부 튜닝하여 성능을 더욱 개선할 수 있는지 확인해 보겠습니다. 이를 위해 train 데이터로 랜덤 포레스트 모델을 구축할 때 mtry 파라미터를 변경해 볼 것입니다.

ranger에서 mtry의 기본값은 전체 피처 수(6)의 제곱근을 내림한 값으로, 2가 됩니다.

이 연습은 강의의 일부입니다

Tidyverse로 배우는 Machine Learning

강의 보기

연습 안내

crossing()을 사용하여 mtry 값이 2부터 5까지 변하도록 교차 검증 데이터를 확장하세요.
각 폴드(fold)/mtry 조합에 대해 랜덤 포레스트 모델을 구축하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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)))

코드 편집 및 실행