LoslegenKostenlos loslegen

Hyperparameter manuell abstimmen

Wenn du bereits weißt, welche Hyperparameterwerte du setzen möchtest, kannst du Hyperparameter auch manuell als Grid definieren. Sieh dir modelLookup("gbm") an oder suche nach gbm in der Liste der verfügbaren Modelle in caret und prüfe den Abschnitt Tuning Parameters.

Hinweis: Wie zuvor wurden bc_train_data sowie die Bibliotheken caret und tictoc bereits geladen.

Diese Übung ist Teil des Kurses

Hyperparameter-Tuning in R

Kurs anzeigen

Anleitung zur Übung

  • Definiere folgendes Hyperparameter-Grid für ein Gradient-Boosting-Modell: die Anzahl der Bäume auf 200; die Baumkomplexität auf 1; die Lernrate auf 0,1; und die minimale Anzahl an Trainingsbeispielen in einem Knoten, um mit dem Splitten zu beginnen, auf 10.
  • Wende das Grid auf die train()-Funktion von caret an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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)
Code bearbeiten und ausführen