최적의 파라미터 찾기
지금까지 랜덤 포레스트 전용 하이퍼파라미터인 mtry를 변화시켜 가며 모델 성능을 더욱 향상시키려고 시도했습니다. 이번에는 5개의 교차 검증 파티션에서 각 mtry 값의 성능을 측정하여 모델을 개선할 수 있는지 확인해 보겠습니다.
두 연습 문제 앞에서 계산한 검증 MAE 0.795는 기본 mtry 값인 2를 사용했을 때의 결과라는 점을 기억하세요.
이 연습은 강의의 일부입니다
Tidyverse로 배우는 Machine Learning
연습 안내
- 각 mtry/폴드 조합에 대한 예측값을 생성하세요.
- 각 mtry/폴드 조합의 MAE를 계산하세요.
mtry값별로 평균 MAE를 계산하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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(___))