Začněte nyníZačněte zdarma

Samotné ladění

Nejlepší hyperparametry vedou k nejlepšímu modelu pro tvá data. Jakmile se rozhodneš pro ladicí mřížku, je potřeba trénovat a vyhodnotit modely v každém jejím bodě a zjistit, který z nich přináší nejlepší výkon.

Celý proces může chvíli trvat – při použití k-násobné křížové validace, ensemble o n stromech a ladicí mřížce s t kombinacemi se celkem trénuje k * n * t modelů.

Teď je řada na tobě – proveď samotné ladění! Předem načtené jsou customers_train a výsledky předchozího cvičení, boost_spec a tunegrid_boost:

# A tibble: 27 x 3
   tree_depth    learn_rate  sample_size
        <int>         <dbl>        <dbl>
 1          1  0.0000000001         0.1 
 2          8  0.0000000001         0.1 
 3         15  0.0000000001         0.1 
 4          1  0.00000316           0.1 
 ...

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in R

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř šest záhybů trénovacích dat pomocí funkce vfold_cv() a ulož je jako folds.
  • Pomocí tune_grid() nalaď boost_spec s využitím svých záhybů, ladicí mřížky a metriky roc_auc. Výsledky ulož jako tune_results.
  • Výsledky vykresli, abys mohl/a vizualizovat průběh ladění.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create CV folds of training data
folds <- ___

# Tune along the grid
tune_results <- ___(___,
                    still_customer ~ .,
                    resamples = ___,
                    grid = ___,
                    metrics = metric_set(___))

# Plot the results
___(___)
Upravit a spustit kód