Finjustera random forest-modeller

Nu när du har en fungerande logistisk regressionsmodell är det dags att förbereda en random forest-modell att jämföra den med.

Den här övningen är en del av kursen

Maskininlärning med Tidyverse

Visa kurs

Övningsinstruktioner

Använd crossing() för att utöka korsvalideringsdata med värden för mtry – använd värdena 2, 4, 8 och 16.
Bygg random forest-modeller för varje kombination av fold och mtry.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

library(ranger)

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>%
  crossing(mtry = c(___)) 

# Build a cross validation model for each fold & mtry combination
cv_models_rf <- cv_tune %>% 
  mutate(model = map2(___, ___, ~ranger(formula = Attrition~., 
                                           data = .x, mtry = .y,
                                           num.trees = 100, seed = 42)))

Redigera och kör kod