Zbuduj model lasów losowych

Użyjesz tych samych danych z walidacji krzyżowej, aby zbudować (przy użyciu train) i ocenić (przy użyciu validate) lasy losowe dla każdej partycji. Ponieważ korzystasz z tych samych partycji walidacji krzyżowej co w modelach regresji, możesz bezpośrednio porównać wydajność obu modeli.

Uwaga: Ograniczymy lasy losowe do 100 drzew, aby zapewnić ich dopasowanie w rozsądnym czasie. Domyślna liczba drzew dla ranger() wynosi 500.

Użyj ranger(), aby zbudować las losowy przewidujący life_expectancy na podstawie wszystkich cech w train dla każdej partycji walidacji krzyżowej.
Dodaj nową kolumnę validate_predicted, która przewiduje life_expectancy dla obserwacji w validate przy użyciu właśnie utworzonych modeli lasów losowych.

ćwiczenie

Zbuduj model lasów losowych

Instrukcje

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie