Random forest cu trainControl personalizat

Un alt model preferat de mine este random forest, care combină un ansamblu de arbori de decizie non-liniari într-un model extrem de flexibil (și, de obicei, foarte precis).

În loc să folosești pachetul clasic randomForest, vei utiliza pachetul ranger – o reimplementare a randomForest care produce rezultate aproape identice, dar este mai rapidă, mai stabilă și consumă mai puțină memorie. Îți recomand cu căldură să începi cu el ori de câte ori lucrezi cu modele random forest în R.

Acest exercițiu face parte din cursul

Machine Learning cu caret în R

Vezi cursul

Instrucțiuni pentru exercițiu

churn_x și churn_y sunt încărcate în spațiul tău de lucru.

Antrenează un model random forest pe setul de date privind abandonul clienților. Asigură-te că folosești myControl ca argument trainControl, la fel ca până acum, și că specifici metoda "ranger".

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

Editează și rulează codul