Explore um espaço de modelos mais amplo

Machine Learning com caret em R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Random forests exigem ajuste fino

Hiperparâmetros controlam como o modelo é ajustado
Escolhidos "manualmente" antes do ajuste
O mais importante é mtry
- Número de variáveis selecionadas aleatoriamente em cada divisão
Valor menor = mais aleatório
Valor maior = menos aleatório
Difícil saber o melhor valor de antemão

Exemplo: dados de sonar

Argumento tuneLength em caret::train()
Diz ao caret quantas variações tentar

# Carregar alguns dados
library(caret)
library(mlbench)
data(Sonar)

# Ajustar um modelo com uma grade de tuning mais profunda
model <- train(
  Class ~ ., 
  data = Sonar, 
  method = "ranger", 
  tuneLength = 10
)

# Plotar os resultados
plot(model)

Plote os resultados

A imagem mostra um gráfico de linhas de acurácia do bootstrap versus o número de parâmetros selecionados aleatoriamente. Ele sobe até um pico em x = 14 e depois cai rapidamente.

Vamos praticar!

Machine Learning com caret em R