ranger()函数对随机森林回归预测模型进行超参数寻优

Ranger函数在`ranger`包中是一个用于构建随机森林（Random Forest）模型的工具，它支持模型的超参数优化。超参数是指在模型训练前需要设置的一些参数，它们不是由数据学习得到的，而是直接控制模型的行为。例如，在随机森林中，可能会调整树的数量、每棵树的节点数限制等。

`ranger()`函数通常会配合`caret`或`tidyverse`中的`tune()`函数来进行超参数搜索。通过交叉验证（Cross-validation），`tune()`会对给定的一系列超参数组合进行评估，并返回最佳性能的参数设定。这个过程有助于提高模型的预测精度和泛化能力。

具体步骤大致如下：

1. 安装并加载所需的库：如`tidyverse`和`ranger`。

library(tidyverse)
library(ranger)

2. 准备数据集和划分训练集和测试集。
3. 使用`tune()`创建一个超参数网格。
4. 调用`ranger()`函数，将数据集和超参数网格作为输入。
5. 开始超参数搜索，`control`参数可以指定搜索策略。

# 示例
set.seed(123)  # 设置随机种子保证结果可复现

# 假设你的数据集叫做df_data
data <- df_data

# 创建超参数网格
grid <- expand.grid(mtry = seq(2, 6, by = 1), ntree = c(50, 100, 200))

# 超参数调优
rf_tuned <- tune(
  formula = your_response ~ .,
  data = data,
  method = "ranger",
  grid = grid,
  control = rangers.control(max.depth = 30)
)

# 获取最优参数
best_params <- rf_tuned$parameters[which.max(rf_tuned$results$mean_test_rmse)]