Skapa baggade träd
Ensemblemodeller som baggade träd är kraftfullare än enskilda beslutsträd. Varje träd i ensemblen avger en röst, och genomsnittet eller majoritetsvotets utfall blir din prediktion. Det innebär att du utnyttjar kollektiv intelligens i stället för att förlita dig på ett enda träd. För baggade träd ser bootstrap-metoden till att varje träd i ensemblen tränas på ett bootstrappat urval (sampel med återläggning) av den ursprungliga datamängden.
Omsätt detta i praktiken och bygg ett baggat klassificeringsträd på egen hand!
Träningsdata för kreditkortskunder är förinstallerad som customers_train.
Den här övningen är en del av kursen
Maskininlärning med trädbaserade modeller i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create the specification
library(baguette)
spec_bagged <- ___ %>%
___ %>%
___(___, ___)
spec_bagged