CommencezCommencez gratuitement

Le réglage proprement dit

Les meilleurs hyperparamètres donnent le meilleur modèle pour vos données. Une fois votre grille de réglage définie, vous devez entraîner et évaluer des modèles à chaque point de la grille pour voir lequel offre la meilleure performance.

Cela peut prendre du temps : avec une validation croisée k-fold, une taille d'ensemble de n arbres et une grille de t combinaisons, vous devrez entraîner au total k * n * t modèles.

À vous de faire le réglage proprement dit ! Sont préchargés customers_train ainsi que les résultats du dernier exercice, boost_spec et tunegrid_boost :

# A tibble: 27 x 3
   tree_depth    learn_rate  sample_size
        <int>         <dbl>        <dbl>
 1          1  0.0000000001         0.1 
 2          8  0.0000000001         0.1 
 3         15  0.0000000001         0.1 
 4          1  0.00000316           0.1 
 ...

Cette activité fait partie du cours

Machine Learning avec des modèles arborescents en R

Voir le cours

Instructions de l’exercice

  • Créez six plis du jeu d'entraînement avec vfold_cv() et enregistrez-les dans folds.
  • Utilisez tune_grid() pour régler boost_spec en utilisant vos plis, votre grille de réglage et la mesure roc_auc. Enregistrez les résultats dans tune_results.
  • Tracez les résultats pour visualiser l'issue du processus de réglage.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create CV folds of training data
folds <- ___

# Tune along the grid
tune_results <- ___(___,
                    still_customer ~ .,
                    resamples = ___,
                    grid = ___,
                    metrics = metric_set(___))

# Plot the results
___(___)
Modifier et exécuter le code