Grid Search vs. náhodné prohledávání

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in R

SkillTag.level.advancedSkillTag.label

4.8+

Začněte kurz zdarma

Proč se používá zvláštní slovo „hyperparametr"? Co ho dělá „hyper"? V této kapitole pochopíš, co jsou parametry modelu a čím se liší od hyperparametrů ve strojovém učení. Uvidíš, proč je vhodné je ladit a jak výchozí nastavení balíčku caret ladění hyperparametrů automaticky zahrnuje.

Exercise 1: Parametry vs. hyperparametry Exercise 2: Parametry modelu vs. hyperparametry Exercise 3: Hyperparametry v lineárních modelech Exercise 4: Co jsou to koeficienty?Exercise 5: Opakování základů strojového učení Exercise 6: Strojové učení s caret Exercise 7: Schémata resamplingů Exercise 8: Ladění hyperparametrů v caretu Exercise 9: Hyperparametry ve Stochastic Gradient Boosting Exercise 10: Změna počtu hyperparametrů k ladění Exercise 11: Ruční nastavení hyperparametrů

V této kapitole se naučíš ladit hyperparametry pomocí kartézské mřížky. Pak přejdeš na rychlejší a efektivnější přístupy. Použiješ random search a adaptivní převzorkování k ladění mřížky parametrů tak, aby se zaměřila na hodnoty v okolí optimálního nastavení.

Exercise 1: Ladění hyperparametrů v caret Exercise 2: Hledání hyperparametrů Exercise 3: Kartézské prohledávání mřížky v caret Exercise 4: Vizualizace výsledků ladění hyperparametrů Exercise 5: Grid Search vs. náhodné prohledávání

Aktuální cvičení

Exercise 6: Grid search s rozsahem hyperparametrů Exercise 7: Najdi možnost funkce train() pro náhodné prohledávání Exercise 8: Náhodné prohledávání v caret Exercise 9: Adaptivní resampling Exercise 10: Výhody Adaptive Resampling Exercise 11: Adaptive resampling s caret

Zde využiješ další balíček pro strojové učení s velmi praktickými funkcemi pro ladění hyperparametrů. Nadefinuješ kartézskou mřížku nebo použiješ random search, případně pokročilejší techniky. Naučíš se také různé způsoby vizualizace a vyhodnocení modelů s různými hyperparametry.

Exercise 1: Machine learning s mlr Exercise 2: Machine Learning s mlr Exercise 3: Modelování s mlr Exercise 4: Grid search a random search s mlr Exercise 5: Náhodné prohledávání s mlr Exercise 6: Hyperparameter tuning s mlr Exercise 7: Vyhodnocování hyperparametrů s mlr Exercise 8: Proč vyhodnocovat ladění?Exercise 9: Vyhodnocení výsledků ladění hyperparametrů Exercise 10: Pokročilé ladění s mlr Exercise 11: Definuj pokročilé nastavení tuningu Exercise 12: Definování agregovaných metrik Exercise 13: Nastavení hyperparametrů

V závěrečné kapitole budeš pracovat s balíčkem h2o, dalším nástrojem pro strojové učení s pohodlnými funkcemi pro ladění hyperparametrů. Použiješ ho k trénování různých modelů a definování kartézské mřížky. Pak implementuješ random search s kritérii pro předčasné zastavení. Na závěr se seznámíš s AutoML – rozhraním h2o, které umožňuje velmi rychlé a snadné ladění modelů i hyperparametrů pomocí jediné funkce.

Exercise 1: Machine learning s h2o Exercise 2: Příprava dat pro modelování s h2o Exercise 3: Modelování s h2o Exercise 4: Grid search a random search s h2o Exercise 5: Grid search s h2o Exercise 6: Náhodné prohledávání s h2o Exercise 7: Kritéria zastavení Exercise 8: Automatické strojové učení s H2O Exercise 9: AutoML v h2o Exercise 10: Hodnocení žebříčku výsledků Exercise 11: Extrakce modelů h2o a vyhodnocení výkonu Exercise 12: Závěr