เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

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

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ crossing() เพื่อขยายข้อมูล cross validation สำหรับค่า mtry ตั้งแต่ 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)))
แก้ไขและรันโค้ด