модель прогнозирования случайных лесов - PullRequest
Новая
       33

модель прогнозирования случайных лесов

0 голосов
/ 16 февраля 2019

Я пытаюсь построить случайную модель леса для задачи прогнозирования цен.Я прошел следующие шаги:

1) разделить данные на 3 комплекта обучаем, проверяем и действим (требуется разделить на 3 комплекта не только обучаем и проверяем) 

set.seed(1234)
assignment <- sample(1:3, size = nrow(train), prob = c(0.7, 0.15, 0.15), replace = TRUE) 
#Create a train, validation and tests from the train data
train_train <- train[assignment == 1, ]  
train_valid <- train[assignment == 2, ]  
train_test <- train[assignment == 3, ]

2) Я построил модель с координатами x и y из набора поездов 

fit_rf_train <- train(x = train_train[, -which(names(train_train) %in% 
c("Item_Identifier", "Item_Outlet_Sales"))], 
                y = train_train$Item_Outlet_Sales,
                method = "ranger",
                metric = "RMSE",
                tuneGrid = expand.grid(
                  .mtry = 6,
                  .splitrule = "variance",
                  .min.node.size = c(10,15,20)),
                trControl = trControl,
                importance = "permutation",
                num.trees = 350)

У меня есть следующий снимок экрана для вывода модели на тех же данных поезда:

Model output on train data

3) Используя функцию прогнозирования, я использовал модель с двумя другими наборами данных, действительными и протестированными с использованием следующей строки кода: 

prediction_test <- predict(fit_rf_train, train_test)
prediction_valid <- predict(fit_rf_train, train_valid)

Мой вопрос: какя могу измерить производительность модели по невидимым данным (проверенным и действительным)?

1 Ответ

0 голосов
/ 16 февраля 2019

Если вы хотите придерживаться caret, то вы можете сделать следующее: 

library(caret)
trainda<-createDataPartition(iris$Sepal.Length,p=0.8,list=F)
valid_da<-iris[-trainda,]
trainda<-iris[trainda,]
ctrl<-trainControl(method="cv",number=5)
set.seed(233)
m<-train(Sepal.Length~.,data=trainda,method="rf",metric="RMSE",trControl = ctrl,verbose=F)
m1<-predict(m,valid_da)
RMSE(m1,valid_da$Sepal.Length)

Результат: 

[1] 0.3499783
...