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.

To ćwiczenie jest częścią kursu

Uczenie maszynowe w tidyverse

Zobacz kurs

Instrukcje do ćwiczenia

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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

Edytuj i uruchom kod