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

Tidyverse ile Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

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 interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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