En iyi performans gösteren parametre

Artık modelini daha da iyileştirme umuduyla, random forest'a özgü hiperparametre mtry'yi değiştirerek modeller kurdun. Şimdi her mtry değeri için 5 çapraz doğrulama bölümünde performansı ölçecek ve modeli iyileştirip iyileştiremeyeceğine bakacaksın.

İki egzersiz önce hesapladığın doğrulama MAE'sinin 0.795 olduğunu ve bunun varsayılan mtry değeri 2 için olduğunu unutma.

Bu egzersiz

Tidyverse ile Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Her mtry/kat kombinasyonu için tahminler üret.
Her mtry/kat kombinasyonu için MAE hesapla.
Her mtry değeri için ortalama MAE hesapla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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(___))

Kodu Düzenle ve Çalıştır