Bygg ett fullständigt random forest-modell
Random forest-modeller utför naturligt särdragsurval när de bygger många delträd från slumpmässiga delmängder av särdragen. Ett sätt att förstå särdragets vikt är att träna en modell och sedan extrahera vikterna. I den här övningen använder du data från Healthcare Job Attrition för att träna en klassificeringsmodell med rand_forest(), från vilken du kan extrahera särdragsvikter. För att göra särdragsvikterna tillgängliga, se till att skapa modellen med importance = "impurity". Datamängderna train och test finns tillgängliga.
Paketen tidyverse, tidymodels och vip har lästs in åt dig.
Den här övningen är en del av kursen
Dimensionsreduktion i R
Övningsinstruktioner
- Definiera en random forest-klassificeringsmodell med 200 träd som du kan använda för att extrahera särdragsvikter.
- Anpassa random forest-modellen med alla prediktorer.
- Lägg till prediktionerna till testmängden.
- Beräkna F1-måttet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Specify the random forest model
rf_spec <- ___(mode = "___", ___ = ___) %>%
set_engine("___", ___ = "___")
# Fit the random forest model with all predictors
rf_fit <- ___ %>%
___(___, data = ___)
# Create the test set prediction data frame
predict_df <- ___ %>%
bind_cols(predict = ___(___, ___))
# Calculate F1 performance
f_meas(predict_df, ___, .pred_class)