建立隨機森林模型

在這裡，你會使用相同的交叉驗證資料，為每個分割建立（使用 train）並評估（使用 validate）隨機森林。因為你使用與迴歸模型相同的交叉驗證分割，所以能直接比較兩種模型的效能。

注意： 為了確保在合理時間內完成訓練，我們會將隨機森林的樹數限制為 100。ranger() 的預設樹數為 500。

本練習屬於課程

Tidyverse 的 Machine Learning

檢視課程

練習說明

使用 ranger() 建立隨機森林，對每個交叉驗證分割，以 train 中的所有特徵來預測 life_expectancy。
新增一個欄位 validate_predicted，使用你剛建立的隨機森林模型，對 validate 中的觀測值預測 life_expectancy。

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。

library(ranger)

# Build a random forest model for each fold
cv_models_rf <- cv_data %>% 
  mutate(model = map(___, ~ranger(formula = ___, data = ___,
                                    num.trees = 100, seed = 42)))

# Generate predictions using the random forest model
cv_prep_rf <- cv_models_rf %>% 
  mutate(validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y)$predictions))

編輯並執行程式碼