랜덤 포레스트 모델 구축

여기서는 동일한 교차 검증 데이터를 사용하여 각 파티션에 대한 랜덤 포레스트를 구축(train 사용)하고 평가(validate 사용)합니다. 회귀 모델과 동일한 교차 검증 파티션을 사용하므로, 두 모델의 성능을 직접 비교할 수 있습니다.

참고: 랜덤 포레스트의 트리 수를 100개로 제한하여 적절한 시간 내에 학습이 완료되도록 합니다. ranger()의 기본 트리 수는 500개입니다.

이 연습은 강의의 일부입니다

Tidyverse로 배우는 Machine Learning

강의 보기

연습 안내

ranger()를 사용하여 각 교차 검증 파티션의 train 데이터에 있는 모든 특성(feature)으로 life_expectancy를 예측하는 랜덤 포레스트를 구축하세요.
방금 생성한 랜덤 포레스트 모델을 사용하여 validate의 관측값에 대한 life_expectancy를 예측하는 새 열 validate_predicted를 추가하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

코드 편집 및 실행