Najlepszy parametr
Zbudowano już modele, w których zmieniano specyficzny dla lasów losowych hiperparametr mtry, aby jeszcze bardziej poprawić wyniki. Teraz zmierzysz wydajność każdej wartości mtry w 5 podziałach walidacji krzyżowej i sprawdzisz, czy można ulepszyć model.
Pamiętaj, że MAE walidacyjny obliczony dwa ćwiczenia temu wynoszący 0.795 dotyczył domyślnej wartości mtry równej 2.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w tidyverse
Instrukcje do ćwiczenia
- Wygeneruj predykcje dla każdej kombinacji mtry/fold.
- Oblicz MAE dla każdej kombinacji mtry/fold.
- Oblicz średni MAE dla każdej wartości
mtry.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>%
mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))
# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>%
mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))
# Calculate the mean validate_mae for each mtry used
cv_eval_tunerf %>%
group_by(___) %>%
summarise(mean_mae = mean(___))