พารามิเตอร์ที่ให้ผลลัพธ์ดีที่สุด

ตอนนี้คุณสร้างโมเดลที่ปรับค่า hyperparameter mtry ซึ่งเป็นพารามิเตอร์เฉพาะของ random forest เพื่อพัฒนาประสิทธิภาพของโมเดลให้ดียิ่งขึ้นแล้ว ขั้นตอนต่อไปคือวัดประสิทธิภาพของแต่ละค่า mtry ในทั้ง 5 partitions ของ cross validation เพื่อดูว่าจะปรับปรุงโมเดลได้อีกหรือไม่

จำไว้ว่าค่า MAE ของชุด validate ที่คำนวณได้สองแบบฝึกหัดก่อนหน้านี้คือ 0.795 ซึ่งใช้ค่า mtry เริ่มต้นที่ 2

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ใน Tidyverse

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างค่าพยากรณ์สำหรับทุกชุดผสมระหว่าง mtry และ fold
คำนวณค่า MAE สำหรับทุกชุดผสมระหว่าง mtry และ fold
คำนวณค่าเฉลี่ย MAE สำหรับแต่ละค่าของ mtry

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Generate validate predictions for each model
cv_prep_tunerf <- cv_model_tunerf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

# Calculate validate MAE for each fold and mtry combination
cv_eval_tunerf <- cv_prep_tunerf %>% 
  mutate(validate_mae = map2_dbl(.x = ___, .y = ___, ~mae(actual = .x, predicted = .y)))

# Calculate the mean validate_mae for each mtry used  
cv_eval_tunerf %>% 
  group_by(___) %>% 
  summarise(mean_mae = mean(___))

แก้ไขและรันโค้ด