Začněte nyníZačněte zdarma

Ruční nastavení hyperparametrů

Pokud už víš, jaké hodnoty hyperparametrů chceš použít, můžeš je definovat ručně jako mřížku. Přejdi na modelLookup("gbm") nebo vyhledej gbm v seznamu dostupných modelů v caret a podívej se na sekci Tuning Parameters.

Poznámka: Stejně jako dříve jsou bc_train_data a knihovny caret a tictoc přednahrány.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in R

Zobrazit kurz

Pokyny k cvičení

  • Definuj následující mřížku hyperparametrů pro model Gradient Boosting: počet stromů 200, složitost stromu 1, rychlost učení 0,1 a minimální počet vzorků trénovací sady v uzlu potřebný ke spuštění dělení 10.
  • Tuto mřížku předej funkci train() z balíčku caret.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define hyperparameter grid.
hyperparams <- expand.grid(___ = 200, 
                           ___ = 1, 
                           ___ = 0.1, 
                           ___ = 10)

# Apply hyperparameter grid to train().
set.seed(42)
gbm_model <- train(diagnosis ~ ., 
                   data = bc_train_data, 
                   method = "gbm", 
                   trControl = trainControl(method = "repeatedcv", number = 5, repeats = 3),
                   verbose = FALSE,
                   ___ = hyperparams)
Upravit a spustit kód