O melhor hiperparâmetro
Agora você construiu modelos variando o hiperparâmetro específico de random forest mtry para tentar melhorar ainda mais o modelo. Você vai medir o desempenho de cada valor de mtry nas 5 partições de validação cruzada para ver se consegue aprimorar o modelo.
Lembre-se de que o MAE de validação que você calculou dois exercícios atrás, 0.795, foi para o valor padrão de mtry igual a 2.
Este exercicio faz parte do curso
Machine Learning no tidyverse
Instruções do exercicio
- Gere previsões para cada combinação de mtry/dobra.
- Calcule o MAE para cada combinação de mtry/dobra.
- Calcule o MAE médio para cada valor de
mtry.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>%
mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))
# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>%
mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))
# Calculate the mean validate_mae for each mtry used
cv_eval_tunerf %>%
group_by(___) %>%
summarise(mean_mae = mean(___))