微调您的模型

太棒了！与线性回归模型相比，这已经是一次显著提升。现在请尝试通过微调随机森林模型，进一步改进表现。为此，您将在线程集 train 上构建随机森林模型时，调整 mtry 参数。

在 ranger 中，mtry 的默认值是特征总数（6）的平方根向下取整。也就是说默认值为 2。

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

使用 crossing() 将交叉验证数据扩展为包含 mtry 从 2 到 5 的取值。
为每个折/mtry 组合构建随机森林模型。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Prepare for tuning your cross validation folds by varying mtry
cv_tune <- cv_data %>% 
  crossing(mtry = ___:___) 

# Build a model for each fold & mtry combination
cv_model_tunerf <- cv_tune %>% 
  mutate(model = map2(.x = ___, .y = ___, ~ranger(formula = life_expectancy~., 
                                           data = .x, mtry = .y, 
                                           num.trees = 100, seed = 42)))

编辑并运行代码