ComenzarEmpieza gratis

Ajusta hiperparámetros manualmente

Si ya sabes qué valores de hiperparámetros quieres establecer, también puedes definirlos manualmente como una rejilla (grid). Ve a modelLookup("gbm") o busca gbm en la lista de modelos disponibles en caret y consulta la sección Tuning Parameters.

Nota: Igual que antes, bc_train_data y las librerías caret y tictoc ya están precargadas.

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en R

Ver curso

Instrucciones del ejercicio

  • Define la siguiente rejilla de hiperparámetros para un Gradient Boosting Model: el número de árboles a 200; la complejidad del árbol a 1; la tasa de aprendizaje a 0.1 y el número mínimo de muestras del conjunto de entrenamiento en un nodo para iniciar la partición a 10.
  • Aplica la rejilla a la función train() de caret.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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)
Editar y ejecutar código