Las losowy z niestandardowym trainControl
Kolejnym modelem, który gorąco polecam, jest las losowy – łączy on zbiór nieliniowych drzew decyzyjnych w wysoce elastyczny (i zazwyczaj bardzo dokładny) model.
Zamiast klasycznego pakietu randomForest użyjesz pakietu ranger, który stanowi jego reimplementację. Daje niemal identyczne wyniki, ale działa szybciej, jest bardziej stabilny i zużywa mniej pamięci. To świetny punkt wyjścia do modelowania lasów losowych w R.
To ćwiczenie jest częścią kursu
Uczenie maszynowe z caret w R
Instrukcje do ćwiczenia
churn_x i churn_y są wczytane do twojego środowiska.
- Dopasuj model lasu losowego do zbioru danych dotyczącego rezygnacji klientów. Pamiętaj, aby użyć
myControljakotrainControl, tak jak robiono to wcześniej, i zastosować metodę"ranger".
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)