Fijn-afstemmen van je model

Wow! Dat was een flinke verbetering ten opzichte van een regressiemodel. Laten we kijken of je deze prestatie verder kunt verbeteren door je random forest-modellen fijn af te stemmen. Dit doe je door de mtry-parameter te variëren bij het bouwen van je random forest-modellen op je train-gegevens.

De standaardwaarde van mtry voor ranger is de naar beneden afgeronde vierkantswortel van het totale aantal features (6). Dit komt uit op een waarde van 2.

Deze oefening maakt deel uit van de cursus

Machine Learning in de tidyverse

Cursus bekijken

Oefeninstructies

Gebruik crossing() om de cross-validatiegegevens uit te breiden voor waarden van mtry van 2 tot en met 5.
Bouw random forest-modellen voor elke combinatie van fold/mtry.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)))

Code bewerken en uitvoeren