Zbuduj pełny model lasu losowego
Lasy losowe w naturalny sposób przeprowadzają selekcję cech, budując wiele poddrzew na podstawie losowych podzbiorów cech. Jedną z metod analizy ważności cech jest wytrenowanie modelu, a następnie wyekstrahowanie tych wartości. W tym ćwiczeniu wykorzystasz dane Healthcare Job Attrition, aby wytrenować model klasyfikacyjny rand_forest(), z którego będzie można odczytać ważności cech. Aby ważności cech były dostępne, utwórz model z parametrem importance = "impurity". Zbiory train oraz test są już dostępne.
Pakiety tidyverse, tidymodels oraz vip zostały wczytane.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w R
Instrukcje do ćwiczenia
- Zdefiniuj model klasyfikacyjny lasu losowego z 200 drzewami, który umożliwi wyekstrahowanie ważności cech.
- Dopasuj model lasu losowego z użyciem wszystkich predyktorów.
- Połącz predykcje ze zbiorem testowym.
- Oblicz metrykę F1.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Specify the random forest model
rf_spec <- ___(mode = "___", ___ = ___) %>%
set_engine("___", ___ = "___")
# Fit the random forest model with all predictors
rf_fit <- ___ %>%
___(___, data = ___)
# Create the test set prediction data frame
predict_df <- ___ %>%
bind_cols(predict = ___(___, ___))
# Calculate F1 performance
f_meas(predict_df, ___, .pred_class)