Búsqueda aleatoria con h2o

Ahora usarás búsqueda aleatoria. La librería h2o y seeds_train_data ya se han cargado por ti y se ha ejecutado el siguiente código:

h2o.init()
seeds_train_data_hf <- as.h2o(seeds_train_data)

y <- "seed_type"
x <- setdiff(colnames(seeds_train_data_hf), y)

seeds_train_data_hf[, y] <- as.factor(seeds_train_data_hf[, y])

sframe <- h2o.splitFrame(seeds_train_data_hf, seed = 42)
train <- sframe[[1]]
valid <- sframe[[2]]

dl_params <- list(hidden = list(c(50, 50), c(100, 100)),
                  epochs = c(5, 10, 15),
                  rate = c(0.001, 0.005, 0.01))

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en R

Instrucciones del ejercicio

Define un objeto de criterios de búsqueda que establezca búsqueda aleatoria con un tiempo máximo de ejecución de 10 segundos.
Añade este objeto de criterios de búsqueda en el lugar apropiado de la función h2o.grid para entrenar los modelos aleatorios.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Define search criteria
search_criteria <- list(strategy = ___, 
                        ___ = 10, # this is way too short & only used to keep runtime short!
                        seed = 42)

# Train with random search
dl_grid <- h2o.grid("deeplearning", 
                    grid_id = "dl_grid",
                    x = x, 
                    y = y,
                    training_frame = train,
                    validation_frame = valid,
                    seed = 42,
                    hyper_params = dl_params,
                    ___ = ___)

Editar y ejecutar código

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en R

AvanzadoNivel de habilidad

4.8+

Comienza el curso gratis

¿Por qué usamos la extraña palabra «hiperparámetro»? ¿Qué lo hace “hiper”? Aquí entenderás qué son los parámetros de un modelo y por qué son diferentes de los hiperparámetros en machine learning. Después verás por qué conviene ajustarlos y cómo la configuración predeterminada de caret incluye automáticamente el ajuste de hiperparámetros.

Exercise 1: Parámetros vs hiperparámetros Exercise 2: Parámetros del modelo vs. hiperparámetros Exercise 3: Hiperparámetros en modelos lineales Exercise 4: ¿Cuáles son los coeficientes?Exercise 5: Repaso de los fundamentos de Machine Learning Exercise 6: Machine learning con caret Exercise 7: Esquemas de remuestreo Exercise 8: Ajuste de hiperparámetros en caret Exercise 9: Hiperparámetros en Stochastic Gradient Boosting Exercise 10: Cambiar el número de hiperparámetros a ajustar Exercise 11: Ajusta hiperparámetros manualmente

En este capítulo, aprenderás a ajustar hiperparámetros con una cuadrícula cartesiana. Luego, aplicarás enfoques más rápidos y eficientes. Utilizarás Random Search y remuestreo adaptativo para ajustar la cuadrícula de parámetros, concentrándote en valores cercanos a la configuración óptima.

Exercise 1: Ajuste de hiperparámetros con caret Exercise 2: Encontrar hiperparámetros Exercise 3: Búsqueda en cuadrícula cartesiana en caret Exercise 4: Representar la salida del modelo de hiperparámetros Exercise 5: Búsqueda en rejilla vs. búsqueda aleatoria Exercise 6: Búsqueda en cuadrícula con rangos de hiperparámetros Exercise 7: Encuentra la opción de train() para la búsqueda aleatoria Exercise 8: Búsqueda aleatoria con caret Exercise 9: Remuestreo adaptativo Exercise 10: Ventajas de Adaptive Resampling Exercise 11: Remuestreo adaptativo con caret

Aquí usarás otro paquete de machine learning que ofrece funciones muy prácticas para ajustar hiperparámetros. Definirás una cuadrícula cartesiana o realizarás Random Search, además de técnicas avanzadas. También aprenderás distintas formas de visualizar y evaluar modelos con diferentes hiperparámetros.

Exercise 1: Machine Learning con mlr Exercise 2: Machine Learning con mlr Exercise 3: Modelado con mlr Exercise 4: Búsqueda en rejilla y aleatoria con mlr Exercise 5: Búsqueda aleatoria con mlr Exercise 6: Realizar ajuste de hiperparámetros con mlr Exercise 7: Evaluar hiperparámetros con mlr Exercise 8: ¿Por qué evaluar el tuning?Exercise 9: Evaluating hyperparameter tuning results Exercise 10: Ajuste avanzado con mlr Exercise 11: Define controles de ajuste avanzados Exercise 12: Define medidas agregadas Exercise 13: Configurar hiperparámetros

En este último capítulo, usarás h2o, otro paquete de machine learning con funciones muy prácticas para ajustar hiperparámetros. Lo utilizarás para entrenar distintos modelos y definir una cuadrícula cartesiana. Después, implementarás una Random Search usando criterios de parada. Por último, aprenderás AutoML, una interfaz de h2o que permite un ajuste muy rápido y cómodo de modelos e hiperparámetros con una sola función.

Exercise 1: Machine learning con h2o Exercise 2: Prepara los datos para modelar con h2o Exercise 3: Modelado con h2o Exercise 4: Búsqueda en cuadrícula y aleatoria con h2o Exercise 5: Búsqueda en cuadrícula con h2o Exercise 6: Búsqueda aleatoria con h2o

Ejercicio actual

Exercise 7: Criterios de parada Exercise 8: Machine Learning automático con H2O Exercise 9: AutoML en h2o Exercise 10: Puntuando el leaderboard Exercise 11: Extrae modelos de h2o y evalúa su rendimiento Exercise 12: Resumen