Random forest com trainControl personalizado

Outro dos meus modelos favoritos é o random forest, que combina um conjunto (ensemble) de árvores de decisão não lineares em um modelo altamente flexível (e geralmente bastante preciso).

Em vez de usar o pacote clássico randomForest, você vai usar o pacote ranger, que é uma reimplementação de randomForest que produz praticamente os mesmos resultados, mas é mais rápido, mais estável e usa menos memória. Eu recomendo bastante como ponto de partida para modelagem com random forest em R.

Este exercício faz parte do curso

Machine Learning com caret em R

Ver curso

Instruções do exercício

churn_x e churn_y já estão carregados no seu workspace.

Ajuste um modelo de random forest ao conjunto de dados de churn. Lembre-se de usar myControl como trainControl, como você fez antes, e implemente o método "ranger".

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)

Editar e executar o código