Bygg en random forest-modell

Här använder du samma korsvalideringsdata för att bygga (med train) och utvärdera (med validate) random forests för varje partition. Eftersom du använder samma korsvalideringspartitioner som för dina regressionsmodeller kan du direkt jämföra de två modellernas prestanda.

Obs! Vi begränsar våra random forests till 100 träd för att se till att de tränas klart inom rimlig tid. Standardantalet träd för ranger() är 500.

Den här övningen är en del av kursen

Maskininlärning med Tidyverse

Visa kurs

Övningsinstruktioner

Använd ranger() för att bygga en random forest som förutsäger life_expectancy med hjälp av alla särdrag i train för varje korsvalideringspartition.
Lägg till en ny kolumn validate_predicted som förutsäger life_expectancy för observationerna i validate med hjälp av de random forest-modeller du nyss skapade.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

Redigera och kör kod