Träna en random forest

Som du såg i videon är random forest-modeller betydligt mer flexibla än linjära modeller. De kan hantera komplexa, icke-linjära samband och fångar automatiskt upp interaktioner mellan variabler. Eftersom de ofta ger mycket goda resultat på verkliga data ska vi nu prova en sådan modell på vinkvalitetsdatamängden, där målet är att förutsäga den mänskligt bedömda kvaliteten på ett parti vin utifrån ett antal maskinuppmätta kemiska och fysikaliska egenskaper.

Att träna en random forest-modell görs på exakt samma sätt som att träna en generaliserad linjär regressionsmodell, som du gjorde i föregående kapitel. Du ändrar helt enkelt argumentet method i funktionen train till "ranger". Paketet ranger är en omskrivning av R:s klassiska randomForest-paket och tränar modeller betydligt snabbare, men ger i princip identiska resultat. Vi rekommenderar att alla nybörjare använder ranger för random forest-modellering.

Den här övningen är en del av kursen

Maskininlärning med caret i R

Visa kurs

Övningsinstruktioner

Träna en random forest kallad model på vinkvalitetsdatamängden, wine, så att quality är responsvariabeln och alla övriga variabler är förklarande variabler.
Använd method = "ranger".
Använd ett tuneLength på 1.
Använd 5 CV-veck (folds).
Skriv ut model i konsolen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Fit random forest: model
model <- train(
  ___,
  tuneLength = ___,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console

Redigera och kör kod