เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ฝึกโมเดล Random Forest

จากที่เห็นในวิดีโอ โมเดล random forest มีความยืดหยุ่นสูงกว่าโมเดลเชิงเส้นมาก สามารถจับความสัมพันธ์แบบไม่เชิงเส้นที่ซับซ้อนได้ รวมถึงตรวจจับ interaction ระหว่างตัวแปรได้โดยอัตโนมัติ โมเดลประเภทนี้มักให้ผลลัพธ์ที่ดีมากกับข้อมูลจริง ดังนั้นมาลองใช้กับชุดข้อมูลคุณภาพไวน์กัน โดยมีเป้าหมายเพื่อทำนายคุณภาพของไวน์ที่ประเมินโดยมนุษย์ จากคุณสมบัติทางเคมีและกายภาพที่วัดด้วยเครื่องจักร

การฝึกโมเดล random forest ทำได้ในลักษณะเดียวกับการฝึกโมเดล generalized linear regression ที่ทำไปในบทก่อนหน้า เพียงเปลี่ยน argument method ในฟังก์ชัน train เป็น "ranger" แพ็กเกจ ranger เป็นการเขียนใหม่ของแพ็กเกจ randomForest ดั้งเดิมของ R ซึ่งฝึกโมเดลได้เร็วกว่ามาก แต่ให้ผลลัพธ์ที่ใกล้เคียงกันเกือบทุกประการ สำหรับผู้เริ่มต้น แนะนำให้ใช้แพ็กเกจ ranger สำหรับการสร้างโมเดล random forest

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ด้วย caret ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ฝึกโมเดล random forest ชื่อ model บนชุดข้อมูลคุณภาพไวน์ wine โดยให้ quality เป็นตัวแปรตอบสนอง และตัวแปรอื่นทั้งหมดเป็นตัวแปรอธิบาย
  • ใช้ method = "ranger"
  • ใช้ tuneLength เท่ากับ 1
  • ใช้ CV จำนวน 5 fold
  • แสดงผล model ในคอนโซล

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Fit random forest: model
model <- train(
  ___,
  tuneLength = ___,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console
แก้ไขและรันโค้ด