ปรับแต่งโมเดลให้ละเอียดขึ้น
ยอดเยี่ยมมาก! ผลลัพธ์นี้ดีกว่าโมเดล regression อย่างเห็นได้ชัด ลองดูกันว่าจะปรับปรุงประสิทธิภาพให้ดียิ่งขึ้นได้อีกไหม โดยการปรับแต่งโมเดล random forest อย่างละเอียด ในขั้นตอนนี้จะลองปรับค่าพารามิเตอร์ mtry เมื่อสร้างโมเดล random forest บนข้อมูล train
ค่าเริ่มต้นของ mtry ใน ranger คือค่ารากที่สองของจำนวน feature ทั้งหมด (6) ปัดลงเป็นจำนวนเต็ม ซึ่งได้ผลลัพธ์เป็น 2
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Machine Learning ใน Tidyverse
คำแนะนำการฝึกหัด
- ใช้
crossing()เพื่อขยายข้อมูล cross validation สำหรับค่าmtryตั้งแต่ 2 ถึง 5 - สร้างโมเดล random forest สำหรับทุกชุดผสมระหว่าง fold และ mtry
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>%
crossing(mtry = ___:___)
# Build a model for each fold & mtry combination
cv_model_tunerf <- cv_tune %>%
mutate(model = map2(.x = ___, .y = ___, ~ranger(formula = life_expectancy~.,
data = .x, mtry = .y,
num.trees = 100, seed = 42)))