Slumpmässig skog med anpassad trainControl
En annan av mina favoritmodeller är den slumpmässiga skogen (random forest), som kombinerar ett ensemble av icke-linjära beslutsträd till en mycket flexibel – och oftast ganska träffsäker – modell.
I stället för det klassiska paketet randomForest använder du paketet ranger, som är en ny implementation av randomForest och ger nästan identiska resultat, men är snabbare, stabilare och använder mindre minne. Jag rekommenderar det varmt som utgångspunkt för random forest-modellering i R.
Den här övningen är en del av kursen
Maskininlärning med caret i R
Övningsinstruktioner
churn_x och churn_y är inlästa i din arbetsmiljö.
- Anpassa en random forest-modell till churn-datamängden. Se till att använda
myControlsomtrainControl, precis som du gjort tidigare, och använd metoden"ranger".
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Fit random forest: model_rf
model_rf <- train(
x = ___,
y = ___,
metric = "ROC",
method = ___,
trControl = ___
)