Den bäst presterande parametern
Du har nu byggt modeller där du varierat den slumpskogsspecifika hyperparametern mtry i syfte att förbättra modellen ytterligare. Nu ska du mäta prestandan för varje mtry-värde över de 5 korsvalideringspartitionerna för att se om modellen kan förbättras.
Kom ihåg att det validerings-MAE du beräknade för två övningar sedan, 0.795, gällde standardvärdet 2 för mtry.
Den här övningen är en del av kursen
Maskininlärning med Tidyverse
Övningsinstruktioner
- Generera prediktioner för varje kombination av mtry och fold.
- Beräkna MAE för varje kombination av mtry och fold.
- Beräkna medel-MAE för varje värde på
mtry.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>%
mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))
# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>%
mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))
# Calculate the mean validate_mae for each mtry used
cv_eval_tunerf %>%
group_by(___) %>%
summarise(mean_mae = mean(___))