随机森林的性能

现在是检验您在上一个练习中构建的随机森林模型，是否能优于逻辑回归模型的时候了。

请记住，该逻辑回归模型在验证集上的召回率（recall）为 0.43。

本练习是课程的一部分

Tidyverse 中的机器学习

查看课程

练习说明

为每个 mtry/折数组合准备 validate_actual 和 validate_predicted 列。
计算每个 mtry/折数组合的召回率（recall）。
计算每个 mtry 取值对应的平均召回率（recall）。

交互式实操练习

通过完成这段示例代码来试试这个练习。

cv_prep_rf <- cv_models_rf %>% 
  mutate(
    # Prepare binary vector of actual Attrition values in validate
    validate_actual = map(validate, ~.x$___ == "___"),
    # Prepare binary vector of predicted Attrition values for validate
    validate_predicted = map2(.x = ___, .y = ___, ~predict(.x, .y, type = "response")$predictions == "Yes")
  )

# Calculate the validate recall for each cross validation fold
cv_perf_recall <- cv_prep_rf %>% 
  mutate(recall = map2_dbl(.x = ___, .y = ___, ~recall(actual = .x, predicted = .y)))

# Calculate the mean recall for each mtry used  
cv_perf_recall %>% 
  group_by(___) %>% 
  summarise(mean_recall = mean(___))

编辑并运行代码