建置並評估最佳模型
透過交叉驗證，你已經找出使用 gapminder 中所有特徵來預測 life_expectancy 的最佳模型。現在既然已經選定模型，你可以使用先前保留做獨立評估的資料集（testing_data），來估計此模型在新資料上的表現。
你將使用全部的 training_data 來建置這個模型，並用 testing_data 進行評估。
本練習屬於課程
Tidyverse 的 Machine Learning
練習說明
- 使用
ranger()並以全部訓練資料來建置效能最佳的模型（mtry = 4）。指定為best_model。 - 從
testing_data擷取life_expectancy欄並指定為test_actual。 - 使用
best_model對testing資料預測life_expectancy，指定為test_predicted。 - 使用
test_actual與test_predicted向量計算 MAE。
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。
# Build the model using all training data and the best performing parameter
best_model <- ranger(formula = ___, data = ___,
mtry = ___, num.trees = 100, seed = 42)
# Prepare the test_actual vector
test_actual <- testing_data$___
# Predict life_expectancy for the testing_data
test_predicted <- predict(___, ___)$predictions
# Calculate the test MAE
mae(___, ___)