LoslegenKostenlos starten

Das eigentliche Tuning

Die besten Hyperparameter ergeben das beste Modell für deine Daten. Sobald du dich für ein Tuning-Grid entschieden hast, musst du für jeden Grid-Punkt ein Modell trainieren und evaluieren, um zu sehen, welcher Punkt die beste Modellleistung liefert.

Das kann etwas dauern, denn mit k-facher Kreuzvalidierung, einer Ensemblegröße von n Bäumen und einem Tuning-Grid mit t Kombinationen müssen insgesamt k * n * t Modelle trainiert werden.

Jetzt bist du dran mit dem eigentlichen Tuning! Vorab geladen sind customers_train sowie die Ergebnisse der letzten Übung, boost_spec und 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 
 ...

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle sechs Folds der Trainingsdaten mit vfold_cv() und speichere sie als folds.
  • Verwende tune_grid(), um boost_spec mithilfe deiner Folds, deines Tuning-Grids und der Metrik roc_auc zu tunen. Speichere die Ergebnisse als tune_results.
  • Stelle die Ergebnisse grafisch dar, um den Tuning-Prozess zu visualisieren.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create CV folds of training data
folds <- ___

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

# Plot the results
___(___)
Code bearbeiten und ausführen