Bygg och utvärdera den bästa modellen
Med korsvalidering kunde du identifiera den bästa modellen för att prediktera life_expectancy med alla särdrag i gapminder. Nu när du har valt din modell kan du använda den oberoende datamängden (testing_data) som du lagt åt sidan för att uppskatta hur modellen presterar på nya data.
Du bygger den här modellen med all training_data och utvärderar den med testing_data.
Den här övningen är en del av kursen
Maskininlärning med Tidyverse
Övningsinstruktioner
- Använd
ranger()för att bygga den bäst presterande modellen (mtry = 4) med all träningsdata. Tilldela resultatet tillbest_model. - Extrahera kolumnen
life_expectancyfråntesting_dataoch tilldela den tilltest_actual. - Prediktera
life_expectancymedbest_modelpåtesting-data och tilldela resultatet tilltest_predicted. - Beräkna MAE med vektorerna
test_actualochtest_predicted.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
mtry = ___, num.trees = 100, seed = 42)
# Prepare the test_actual vector
test_actual <- testing_data$___
# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions
# Calculate the test MAE
mae(___, ___)