擬合隨機森林
就像你在影片中看到的，隨機森林模型比線性模型彈性高得多，既能擬合複雜的非線性效果，也能自動捕捉變數之間的交互作用。它們在真實世界資料上通常表現很好。我們就用葡萄酒品質資料集來試試看吧。目標是根據一批葡萄酒的機器量測化學與物理性質，來預測人工評分的品質。
擬合隨機森林模型的流程，和你在上一章做的廣義線性迴歸模型完全一樣。你只需要把 train 函式中的 method 參數改成 "ranger"。ranger 套件是 R 經典 randomForest 套件的重寫版，擬合速度快很多，但結果幾乎相同。我們建議所有初學者在做隨機森林建模時使用 ranger 套件。
本練習屬於課程
使用 R 的 caret 進行 Machine Learning
練習說明
- 在葡萄酒品質資料集
wine上訓練一個名為model的隨機森林，使quality為應變數，其他所有變數為解釋變數。 - 使用
method = "ranger"。 - 使用
tuneLength為 1。 - 使用 5 折交叉驗證（CV folds）。
- 在主控台列印
model。
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。
# Fit random forest: model
model <- train(
___,
tuneLength = ___,
data = ___,
method = ___,
trControl = trainControl(
method = "cv",
number = ___,
verboseIter = TRUE
)
)
# Print model to console