LoslegenKostenlos loslegen

Aggregierte Kennzahlen definieren

Jetzt definierst du Leistungskennzahlen. Der Datensatz knowledge_train_data wurde bereits für dich geladen, ebenso die Pakete mlr und tidyverse. Außerdem wurde der folgende Code schon ausgeführt:

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)

Diese Übung ist Teil des Kurses

Hyperparameter-Tuning in R

Kurs anzeigen

Anleitung zur Übung

  • Verwende die Funktion setAggregation, die die Standardabweichung von Leistungskennzahlen aggregiert.
  • Wende setAggregation auf den mittleren Fehlklassifikationsfehler und die Accuracy nach dem Resampling an.
  • Optimiere dein Modell anhand des mittleren Fehlklassifikationsfehlers. Denk daran, dass das erste Argument für die Optimierung verwendet wird.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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)))
Code bearbeiten und ausführen