Zbuduj i oceń najlepszy model

Dzięki krosswalidacji udało się zidentyfikować najlepszy model do przewidywania life_expectancy na podstawie wszystkich cech ze zbioru gapminder. Teraz, gdy model jest już wybrany, możesz użyć niezależnego zbioru danych (testing_data), który został odłożony, aby oszacować jego wydajność na nowych danych.

Zbudujesz ten model na podstawie wszystkich danych training_data i ocenisz go przy użyciu zbioru testing_data.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w tidyverse

Zobacz kurs

Instrukcje do ćwiczenia

Użyj ranger(), aby zbudować najlepiej działający model (mtry = 4) na podstawie wszystkich danych treningowych. Przypisz wynik do zmiennej best_model.
Wyodrębnij kolumnę life_expectancy ze zbioru testing_data i przypisz ją do zmiennej test_actual.
Przewidź life_expectancy przy użyciu modelu best_model na danych testing_data i przypisz wynik do zmiennej test_predicted.
Oblicz MAE, korzystając z wektorów test_actual i test_predicted.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
                     mtry = ___, num.trees = 100, seed = 42)

# Prepare the test_actual vector
test_actual <- testing_data$___

# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions

# Calculate the test MAE
mae(___, ___)

Edytuj i uruchom kod