使用自定义 trainControl 的随机森林

我另一个喜欢的模型是随机森林。它将一组非线性决策树集成为一个高度灵活（而且通常相当准确）的模型。

这次不使用经典的 randomForest 包，而是使用 ranger 包。ranger 重新实现了 randomForest，产出的结果几乎完全一致，但速度更快、更稳定、占用内存更少。我强烈建议在 R 中做随机森林建模时，从它开始。

本练习是课程的一部分

在 R 中使用 caret 的机器学习

churn_x 和 churn_y 已加载到您的工作区。

在 churn 数据集上训练一个随机森林模型。请像之前一样将 myControl 用作 trainControl，并使用 "ranger" 作为 method。

通过完成这段示例代码来试试这个练习。

# Fit random forest: model_rf
model_rf <- train(
  x = ___, 
  y = ___,
  metric = "ROC",
  method = ___,
  trControl = ___
)