1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Hyperparameter Tuning in R
Connected

cvičení

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)

Pokyny

100 XP
  • 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.