效能最佳的參數

你已經建立了多個模型，並調整了隨機森林特有的超參數 mtry，希望能進一步提升模型表現。現在你要在 5 個交叉驗證切分上，評估每個 mtry 值的效能，看看是否能改進模型。

請記得，你在兩個練習前計算的驗證 MAE 為 0.795，那是使用預設 mtry 值 2 的結果。

本練習屬於課程

Tidyverse 的 Machine Learning

檢視課程

練習說明

針對每個 mtry／fold 的組合產生預測。
計算每個 mtry／fold 組合的 MAE。
計算每個 mtry 值的 MAE 平均。

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。

# 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(___))

編輯並執行程式碼