Začněte nyníZačněte zdarma

Definování agregovaných metrik

Teď si nadefinujeme výkonnostní metriky. Dataset knowledge_train_data už je načtený, stejně jako balíčky mlr a tidyverse. Byl také spuštěn následující kód:

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.nnet", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("size", lower = 1, upper = 5),
  makeIntegerParam("maxit", lower = 1, upper = 300),
  makeNumericParam("decay", lower = 0.0001, upper = 1)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

Toto cvičení je součástí kurzu

Hyperparameter Tuning in R

Zobrazit kurz

Pokyny k cvičení

  • Použij funkci setAggregation, která agreguje směrodatnou odchylku výkonnostních metrik.
  • Aplikuj setAggregation na průměrnou chybu špatné klasifikace a přesnost po resamplingú.
  • Optimalizuj model podle průměrné chyby špatné klasifikace. Nezapomeň, že první argument se používá pro optimalizaci.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create holdout sampling
holdout <- makeResampleDesc("Holdout", predict = "both")

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, 
                       task = task, 
                       resampling = holdout, 
                       control = ctrl_random, 
                       par.set = param_set,
                       measures = list(___, ___(___, train.mean), ___, ___(___, train.mean)))
Upravit a spustit kód