Random forest พร้อม trainControl แบบกำหนดเอง

อีกหนึ่งโมเดลที่แนะนำเป็นพิเศษคือ random forest ซึ่งรวมกลุ่มของ decision tree แบบ non-linear เข้าด้วยกัน ทำให้ได้โมเดลที่มีความยืดหยุ่นสูง (และมักให้ความแม่นยำที่ดีมาก)

แทนที่จะใช้แพ็กเกจ randomForest แบบดั้งเดิม เราจะใช้แพ็กเกจ ranger แทน ซึ่งเป็นการ re-implement randomForest ที่ให้ผลลัพธ์แทบเหมือนกันทุกประการ แต่ทำงานได้เร็วกว่า เสถียรกว่า และใช้หน่วยความจำน้อยกว่า แนะนำให้ใช้เป็นจุดเริ่มต้นสำหรับการสร้างโมเดล random forest ใน R

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ด้วย caret ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

churn_x และ churn_y ถูกโหลดไว้ใน workspace แล้ว

ฝึกโมเดล random forest กับชุดข้อมูล churn โดยใช้ myControl เป็น trainControl เหมือนที่ทำมาก่อนหน้านี้ และระบุ method เป็น "ranger"

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)

แก้ไขและรันโค้ด