Навчіть модель випадкового лісу

Як ви бачили у відео, моделі випадкового лісу набагато гнучкіші за лінійні моделі: вони відображають складні нелінійні залежності та автоматично враховують взаємодії між змінними. Зазвичай вони дають дуже добрі результати на реальних даних, тож спробуймо їх на наборі даних про якість вина. Мета — передбачити оцінену людьми якість партії вина за деякими виміряними приладами хімічними та фізичними властивостями цієї партії.

Навчання моделі випадкового лісу відбувається так само, як і навчання моделі узагальненої лінійної регресії, яке ви робили в попередньому розділі. Просто змініть аргумент method у функції train на "ranger". Пакет ranger — це переписана версія класичного R‑пакета randomForest, яка навчає моделі значно швидше, але дає майже ідентичні результати. Ми радимо всім початківцям використовувати пакет ranger для моделювання випадкових лісів.

Ця вправа є частиною курсу

Machine Learning з пакетом caret в R

Переглянути курс

Інструкції до вправи

Навчіть випадковий ліс під назвою model на наборі даних про якість вина wine, де змінна quality є відгуковою, а всі інші змінні — пояснювальними.
Використайте method = "ranger".
Задайте tuneLength рівним 1.
Використайте 5 складань перехресної перевірки (CV).
Виведіть model у консоль.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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

# Print model to console

Редагувати та запускати код