隨機森林效能

現在該檢視你在前一個練習建立的隨機森林模型，是否能勝過邏輯斯迴歸模型。

記住，邏輯斯迴歸模型在驗證集的 recall 為 0.43。

本練習屬於課程

Tidyverse 的 Machine Learning

檢視課程

練習說明

為每個 mtry／fold 組合建立 validate_actual 與 validate_predicted 欄位。
計算每個 mtry／fold 組合的 recall。
計算各個 mtry 值的 recall 平均值。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

cv_prep_rf <- cv_models_rf %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response")$predictions == "Yes")
  )

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_rf %>% 
  mutate(recall = map2_dbl(.x = ___, .y = ___, ~recall(actual = .x, predicted = .y)))

# Calculate the mean recall for each mtry used  
cv_perf_recall %>% 
  group_by(___) %>% 
  summarise(mean_recall = mean(___))

編輯並執行程式碼