Construa um modelo de random forest

Aqui você vai usar os mesmos dados de validação cruzada para construir (usando train) e avaliar (usando validate) random forests para cada partição. Como você está usando as mesmas partições de validação cruzada dos seus modelos de regressão, é possível comparar diretamente o desempenho dos dois tipos de modelo.

Observação: Vamos limitar nossos random forests a 100 árvores para garantir que o ajuste termine em um tempo razoável. O número padrão de árvores de ranger() é 500.

Este exercicio faz parte do curso

Machine Learning no tidyverse

Ver curso

Instruções do exercicio

Use ranger() para construir um random forest que prediga life_expectancy usando todos os atributos em train para cada partição de validação cruzada.
Adicione uma nova coluna validate_predicted prevendo life_expectancy para as observações em validate usando os modelos de random forest que você acabou de criar.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

Editar e Executar Código