Random forest met aangepaste trainControl

Een ander van mijn favoriete modellen is de random forest, waarin een ensemble van niet-lineaire beslissingsbomen wordt gecombineerd tot een zeer flexibel (en meestal behoorlijk nauwkeurig) model.

In plaats van het klassieke randomForest-pakket gebruik je hier het ranger-pakket, een herimplementatie van randomForest die vrijwel exact dezelfde resultaten geeft, maar sneller en stabieler is en minder geheugen gebruikt. Ik raad dit sterk aan als startpunt voor random-forest-modellering in R.

Deze oefening maakt deel uit van de cursus

Machine Learning met caret in R

Cursus bekijken

Oefeninstructies

churn_x en churn_y zijn geladen in je werkruimte.

Pas een random-forestmodel toe op de churn-gegevensset. Zorg dat je myControl gebruikt als trainControl, net als eerder, en gebruik de methode "ranger".

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)

Code bewerken en uitvoeren