Explorez un espace de modèles plus vaste

Machine Learning avec caret en R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Les forêts aléatoires exigent un réglage

Les hyperparamètres régissent l'ajustement du modèle
Choisis « à la main » avant l'ajustement
Le plus important : mtry
- Nombre de variables choisies au hasard à chaque découpage
Valeur plus faible = plus aléatoire
Valeur plus élevée = moins aléatoire
Difficile de connaître la meilleure valeur d'avance

Exemple : données sonar

Argument tuneLength de caret::train()
Indique à caret combien de variantes essayer

# Load some data
library(caret)
library(mlbench)
data(Sonar)

# Fit a model with a deeper tuning grid
model <- train(
  Class ~ ., 
  data = Sonar, 
  method = "ranger", 
  tuneLength = 10
)

# Plot the results
plot(model)

Tracer les résultats

Le graphique présente l'exactitude bootstrap en fonction du nombre de paramètres choisis au hasard. La courbe atteint un sommet vers x = 14, puis chute rapidement.

Passons à la pratique !

Machine Learning avec caret en R