Finjustera din modell

Imponerande! Det var en betydande förbättring jämfört med regressionsmodellen. Nu ska vi se om du kan förbättra resultatet ytterligare genom att finjustera dina random forest-modeller. Du gör detta genom att variera parametern mtry när du bygger modellerna på dina train-data.

Standardvärdet för mtry i ranger är den nedåtrundade kvadratroten av det totala antalet särdrag (6). Det ger värdet 2.

Den här övningen är en del av kursen

Maskininlärning med Tidyverse

Visa kurs

Övningsinstruktioner

Använd crossing() för att expandera korsvalideringsdata för värden av mtry från 2 till och med 5.
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.

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

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

Redigera och kör kod