Ajuster l'hyperparamètre de pénalité
Maintenant que vous avez vu comment le paramètre penalty influence la sélection des variables par la régression lasso, vous vous demandez peut‑être : « Quelle est la meilleure valeur pour penalty ?» tidymodels fournit des fonctions pour explorer la meilleure valeur d'hyperparamètres comme penalty.
Dans cet exercice, vous allez trouver la meilleure valeur de penalty selon la RMSE du modèle, puis ajuster un modèle final avec cette valeur de penalty. Cela optimisera la sélection de variables par la régression lasso afin d'améliorer la performance du modèle.
lasso_recipe a été créé pour vous et train est aussi disponible. Les forfaits tidyverse et tidymodels ont également été chargés pour vous.
Cette activité fait partie du cours
Réduction de dimension en R
Instructions de l’exercice
- Définissez un workflow
linear_reg()qui permettra d'ajusterpenalty. - Créez un échantillon de validation croisée à 3 plis à partir de
trainet une séquence de 20 valeurs de pénalité allant de 0,001 à 0,1. - Créez des modèles lasso avec différentes valeurs de pénalité.
- Tracez la performance du modèle (RMSE) en fonction de la valeur de pénalité.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create tune-able model
lasso_model <- ___(___ = ___(), mixture = ___, engine = "glmnet")
lasso_workflow <- workflow(preprocessor = lasso_recipe, ___ = ___)
# Create a cross validation sample and sequence of penalty values
train_cv <- ___(___, v = ___)
penalty_grid <- grid_regular(penalty(range = c(___, ___)), levels = ___)
# Create lasso models with different penalty values
lasso_grid <- tune_grid(
___,
resamples = ___,
grid = ___)
# Plot RMSE vs. penalty values
___(___, metric = "rmse")