Bagged trees maken
Ensemblemodellen zoals bagged trees zijn krachtiger dan afzonderlijke beslisbomen. Elke boom in het ensemble brengt een stem uit, en het gemiddelde of de meerderheid van de stemmen is je voorspelling. Zo maak je gebruik van zwermintelligentie in plaats van te vertrouwen op één enkele boom. Bij bagged trees zorgt de bootstrap-methode ervoor dat in elke boom van het ensemble alleen een bootstrapped steekproef (getrokken met teruglegging) van de oorspronkelijke gegevensset wordt gebruikt om de boom te trainen en de voorspelling te maken.
Ga hiermee aan de slag door zelf een bagged classificatieboom te bouwen!
De trainingsgegevens van creditcardklanten zijn vooraf geladen als customers_train.
Deze oefening maakt deel uit van de cursus
Machine Learning met boomgebaseerde modellen in R
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create the specification
library(baguette)
spec_bagged <- ___ %>%
___ %>%
___(___, ___)
spec_bagged