Ajuste fino do seu modelo

Uau! Isso foi uma melhoria significativa em relação a um modelo de regressão. Agora, vamos ver se você consegue melhorar ainda mais esse desempenho ajustando finamente seus modelos de random forest. Para isso, você vai variar o parâmetro mtry ao construir seus modelos de random forest com os dados de train.

O valor padrão de mtry para o ranger é a raiz quadrada arredondada para baixo do número total de features (6). Isso resulta em um valor de 2.

Este exercicio faz parte do curso

Machine Learning no tidyverse

Ver curso

Instruções do exercicio

Use crossing() para expandir os dados de validação cruzada para valores de mtry de 2 a 5.
Construa modelos de random forest para cada combinação de fold/mtry.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>% 
  crossing(mtry = ___:___) 

# Build a model for each fold & mtry combination
cv_model_tunerf <- cv_tune %>% 
  mutate(model = map2(.x = ___, .y = ___, ~ranger(formula = life_expectancy~., 
                                           data = .x, mtry = .y, 
                                           num.trees = 100, seed = 42)))

Editar e Executar Código