Modelini ince ayarla

Vay canına! Bu, bir regresyon modeline göre ciddi bir gelişmeydi. Şimdi bu performansı rastgele orman modellerini ince ayar yaparak daha da artırabilir misin, ona bakalım. Bunu yapmak için train verilerin üzerinde rastgele orman modellerini kurarken mtry parametresini değiştireceksin.

ranger için varsayılan mtry değeri, toplam özellik sayısının (6) aşağı yuvarlanmış kareköküdür. Bu da 2 değerini verir.

Bu egzersiz, kursun bir parçasıdır

Tidyverse ile Machine Learning

Kursa Göz Atın

Egzersiz talimatları

crossing() kullanarak çapraz doğrulama verilerini 2 ile 5 arasındaki mtry değerleri için genişlet.
Her fold/mtry birleşimi için rastgele orman modelleri kur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)))

Kodu Düzenle ve Çalıştır