Ladění hyperparametru penalty

Teď, když víš, jak parametr penalty ovlivňuje výběr příznaků v lasso regresi, možná tě napadá otázka: „Jaká je nejlepší hodnota penalty?" tidymodels nabízí funkce, pomocí kterých můžeš nejlepší hodnotu hyperparametrů, jako je penalty, snadno prozkoumat.

V tomto cvičení najdeš nejlepší hodnotu penalty na základě RMSE modelu a pak natrénuješ finální model s touto hodnotou. Tím optimalizuješ výběr příznaků v lasso regresi pro co nejlepší výkon modelu.

lasso_recipe je pro tebe připraven a k dispozici je i dataset train. Balíčky tidyverse a tidymodels jsou také načteny.

Toto cvičení je součástí kurzu

Redukce dimenzionality v R

Zobrazit kurz

Pokyny k cvičení

Definuj workflow s linear_reg(), které bude ladit penalty.
Vytvoř vzorek pro 3-násobnou křížovou validaci z datasetu train a sekvenci 20 hodnot penalty v rozsahu od 0,001 do 0,1.
Natrénuj lasso modely s různými hodnotami penalty.
Vykresli výkon modelů (RMSE) v závislosti na hodnotě penalty.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create tune-able model
lasso_model <- ___(___ = ___(), mixture = ___, engine = "glmnet")
lasso_workflow <- workflow(preprocessor = lasso_recipe, ___ = ___)

# Create a cross validation sample and sequence of penalty values
train_cv <- ___(___, v = ___)
penalty_grid <- grid_regular(penalty(range = c(___, ___)), levels = ___)

# Create lasso models with different penalty values
lasso_grid <- tune_grid(
  ___,
  resamples = ___,
  grid = ___)

# Plot RMSE vs. penalty values
___(___, metric = "rmse")

Upravit a spustit kód