Dopasuj las losowy

Jak widziałeś w filmie, modele lasów losowych są znacznie bardziej elastyczne niż modele liniowe – potrafią modelować skomplikowane efekty nieliniowe i automatycznie wykrywać interakcje między zmiennymi. Zazwyczaj dają bardzo dobre wyniki na rzeczywistych danych, więc wypróbujmy jeden z nich na zbiorze danych dotyczącym jakości wina. Celem jest przewidzenie oceny jakości partii wina wystawionej przez człowieka na podstawie zmierzonych maszynowo właściwości chemicznych i fizycznych tej partii.

Dopasowanie modelu lasu losowego wygląda dokładnie tak samo jak dopasowanie uogólnionego modelu regresji liniowej z poprzedniego rozdziału. Wystarczy zmienić argument method w funkcji train na "ranger". Pakiet ranger to przepisana wersja klasycznego pakietu randomForest dla R – dopasowuje modele znacznie szybciej, dając niemal identyczne wyniki. Wszystkim początkującym zalecamy korzystanie z pakietu ranger do modelowania lasów losowych.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z caret w R

Zobacz kurs

Instrukcje do ćwiczenia

Wytrenuj las losowy o nazwie model na zbiorze danych o jakości wina, wine, tak aby quality była zmienną odpowiedzi, a wszystkie pozostałe zmienne – zmiennymi objaśniającymi.
Użyj method = "ranger".
Ustaw tuneLength na 1.
Użyj 5 foldów kroswalidacji.
Wyświetl model w konsoli.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Fit random forest: model
model <- train(
  ___,
  tuneLength = ___,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console

Edytuj i uruchom kod