Hyperparameter setzen

Zum Schluss setzt du konkrete Hyperparameter, die du möglicherweise in deinen bisherigen Tuning-Ergebnissen gefunden hast. 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)

Diese Übung ist Teil des Kurses

Hyperparameter-Tuning in R

Kurs anzeigen

Anleitung zur Übung

Setze die folgenden Hyperparameter für ein neuronales Netz: eine Hidden-Layer, maximale Anzahl an Iterationen von 150 und decay von 0.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Set hyperparameters
lrn_best <- setHyperPars(lrn, par.vals = list(___ = 1, 
                                              ___ = 150, 
                                              ___ = 0))

# Train model
model_best <- train(lrn_best, task)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Hyperparameter-Tuning in R

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

30 reviews

Kurs kostenlos starten

Warum verwenden wir das seltsame Wort „Hyperparameter“? Was macht sie „hyper“? Hier verstehst du, was Modellparameter sind und warum sie sich im Machine Learning von Hyperparametern unterscheiden. Anschließend siehst du, warum wir sie abstimmen wollen und wie die Standardeinstellung von caret automatisch Hyperparameter-Tuning beinhaltet.

Exercise 1: Parameter vs. Hyperparameter Exercise 2: Modellparameter vs. Hyperparameter Exercise 3: Hyperparameter in linearen Modellen Exercise 4: Was sind die Koeffizienten?Exercise 5: Wiederholung der Grundlagen des maschinellen Lernens Exercise 6: Machine Learning mit caret Exercise 7: Resampling-Schemata Exercise 8: Hyperparameter-Tuning mit caret Exercise 9: Hyperparameter im Stochastic Gradient Boosting Exercise 10: Die Anzahl der zu optimierenden Hyperparameter ändern Exercise 11: Hyperparameter manuell abstimmen

In diesem Kapitel lernst du, wie du Hyperparameter mit einem kartesischen Grid abstimmst. Danach setzt du schnellere und effizientere Ansätze um. Du verwendest Random Search und adaptives Resampling, um das Parameter-Grid so zu tunen, dass es sich auf Werte in der Nähe der optimalen Einstellungen konzentriert.

Exercise 1: Hyperparameter-Tuning mit caret Exercise 2: Hyperparameter finden Exercise 3: Kartesische Grid-Suche in caret Exercise 4: Hyperparameter-Modellausgabe plotten Exercise 5: Grid Search vs. Random Search Exercise 6: Grid Search mit Hyperparameter-Bereichen Exercise 7: Finde die Option für random search in train()Exercise 8: Random Search mit caret Exercise 9: Adaptives Resampling Exercise 10: Vorteile von Adaptive Resampling Exercise 11: Adaptives Resampling mit caret

Hier verwendest du ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du definierst ein kartesisches Grid oder führst Random Search sowie fortgeschrittene Techniken durch. Außerdem lernst du verschiedene Möglichkeiten kennen, Modelle mit unterschiedlichen Hyperparametern zu visualisieren und zu evaluieren.

Exercise 1: Machine Learning mit mlr Exercise 2: Machine Learning mit mlr Exercise 3: Modellierung mit mlr Exercise 4: Grid- und Random-Search mit mlr Exercise 5: Random Search mit mlr Exercise 6: Hyperparameter-Tuning mit mlr durchführen Exercise 7: Hyperparameter mit mlr auswerten Exercise 8: Warum Tuning auswerten?Exercise 9: Auswertung von Hyperparameter-Tuning-Ergebnissen Exercise 10: Fortgeschrittenes Tuning mit mlr Exercise 11: Erweiterte Tuning-Controls definieren Exercise 12: Aggregierte Kennzahlen definieren Exercise 13: Hyperparameter setzen

Aktuelle Übung

In diesem letzten Kapitel nutzt du h2o, ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du verwendest es, um verschiedene Modelle zu trainieren und ein kartesisches Grid zu definieren. Danach führst du eine Random Search mit Abbruchkriterien durch. Zum Schluss lernst du AutoML kennen, eine h2o-Schnittstelle, die sehr schnelles und bequemes Modell- und Hyperparameter-Tuning mit nur einer Funktion ermöglicht.

Exercise 1: Machine Learning mit h2o Exercise 2: Daten für das Modellieren mit h2o vorbereiten Exercise 3: Modellierung mit h2o Exercise 4: Grid- und Random-Suche mit h2o Exercise 5: Grid-Search mit h2o Exercise 6: Random Search mit h2o Exercise 7: Abbruchkriterien Exercise 8: Automatisiertes Machine Learning mit H2O Exercise 9: AutoML in h2o Exercise 10: Bewertung der Leaderboard-Ergebnisse Exercise 11: h2o-Modelle extrahieren und Leistung auswerten Exercise 12: Zusammenfassung