LoslegenKostenlos starten

Tuning vorbereiten

Eine gute Vorbereitung ist die Grundlage für erfolgreiches Tuning. Es gibt zwei Hauptschritte: Markiere Hyperparameter in der Modellspezifikation mit tune() und erstelle ein Raster (Grid) von Hyperparametern, das beim Tuning verwendet wird.

In dieser Übung führst du diese beiden grundlegenden Schritte des Tuning-Prozesses aus.

Diese Übung ist Teil des Kurses

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

Übungsanweisungen

  • Erstelle eine Boosting-Spezifikation mit dem "xgboost"-Engine für ein Klassifikationsmodell mit 500 Bäumen und markiere die folgenden Parameter als Tuning-Parameter: learn_rate, tree_depth und sample_size. Speichere das Ergebnis als boost_spec.
  • Erstelle ein reguläres Tuning-Grid für die Tuning-Parameter von boost_spec mit drei Stufen pro Parameter.

Interaktive praktische Übung

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

# Create the specification with placeholders
boost_spec <- boost_tree(
                trees = ___,
                ___,
                ___,
                ___) %>%
  set_mode(___) %>%
  set_engine(___)

# Create the tuning grid
tunegrid_boost <- ___(___, 
                      levels = ___)

tunegrid_boost
Code bearbeiten und ausführen