拟合随机森林

正如您在视频中看到的，随机森林模型比线性模型灵活得多。它既能拟合复杂的非线性效应，也能自动捕捉变量之间的交互。在真实世界数据上通常表现很好。让我们在葡萄酒质量数据集上试一试。目标是基于机器测得的一些化学与物理属性，预测某一批次葡萄酒的人为评估质量。

拟合随机森林模型与您在上一章中拟合广义线性回归模型的过程完全相同。只需将 train 函数中的 method 参数改为 "ranger"。ranger 包是对 R 经典的 randomForest 包的重写，拟合速度更快，但结果几乎完全一致。我们建议初学者在进行随机森林建模时使用 ranger 包。

本练习是课程的一部分

在 R 中使用 caret 的机器学习

查看课程

练习说明

在葡萄酒质量数据集 wine 上训练一个名为 model 的随机森林，使 quality 为响应变量，其他所有变量为自变量。
使用 method = "ranger"。
使用 tuneLength 为 1。
使用 5 折交叉验证（CV）。
将 model 打印到控制台。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Fit random forest: model
model <- train(
  ___,
  tuneLength = ___,
  data = ___, 
  method = ___,
  trControl = trainControl(
    method = "cv", 
    number = ___, 
    verboseIter = TRUE
  )
)

# Print model to console

编辑并运行代码