微調你的模型

太棒了！這比起線性迴歸模型有明顯的進步。現在看看你能不能透過微調隨機森林模型，讓效能再提升。做法是：在用 train 資料建立隨機森林模型時，調整 mtry 參數。

在 ranger 中，mtry 的預設值是總特徵數（6）的平方根取小（floor）。因此預設值為 2。

本練習屬於課程

Tidyverse 的 Machine Learning

檢視課程

練習說明

使用 crossing()，針對 mtry 介於 2 到 5 的值，擴增交叉驗證資料。
為每個 fold/mtry 組合建立隨機森林模型。

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。

# 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)))

編輯並執行程式碼