Hiperparámetros en Stochastic Gradient Boosting

En la lección anterior, construiste un modelo de Stochastic Gradient Boosting en caret. Se ha precargado un modelo similar al anterior como gbm_model. Para optimizar este modelo, quieres ajustar sus hiperparámetros. ¿Cuál de los siguientes NO es un hiperparámetro del método gbm?

Nota: La librería caret también se ha precargado.

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en R

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empezar ejercicio

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

Ejercicio actual

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 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