Criar e avaliar o melhor modelo

Usando validação cruzada, você conseguiu identificar o melhor modelo para prever life_expectancy usando todos os atributos de gapminder. Agora que você selecionou seu modelo, pode usar o conjunto de dados independente (testing_data) que você reservou para estimar o desempenho desse modelo em novos dados.

Você vai construir esse modelo usando todo o training_data e avaliar usando o testing_data.

Este exercicio faz parte do curso

Machine Learning no tidyverse

Ver curso

Instruções do exercicio

Use ranger() para construir o modelo de melhor desempenho (mtry = 4) usando todos os dados de treino. Atribua a best_model.
Extraia a coluna life_expectancy de testing_data e atribua a test_actual.
Faça previsões de life_expectancy usando o best_model nos dados de testing e atribua a test_predicted.
Calcule o MAE usando os vetores test_actual e test_predicted.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
                     mtry = ___, num.trees = 100, seed = 42)

# Prepare the test_actual vector
test_actual <- testing_data$___

# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions

# Calculate the test MAE
mae(___, ___)

Editar e Executar Código