Préparation à l'optimisation
La préparation est essentielle pour réussir l'optimisation. Il y a deux étapes principales : marquer les hyperparamètres avec tune() dans la spécification du modèle et créer une grille d'hyperparamètres qui servira à l'optimisation.
Dans cet exercice, vous allez exécuter ces deux étapes fondamentales du processus d'optimisation.
Cette activité fait partie du cours
Machine Learning avec des modèles arborescents en R
Instructions de l’exercice
- Créez une spécification de boosting avec le moteur
"xgboost"pour un modèle de classification utilisant 500 arbres et marquez les paramètres suivants comme paramètres à optimiser :learn_rate,tree_depthetsample_size. Enregistrez le résultat dansboost_spec. - Construisez une grille d'optimisation régulière pour les paramètres à optimiser de
boost_specavec trois niveaux pour chaque paramètre.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create the specification with placeholders
boost_spec <- boost_tree(
trees = ___,
___,
___,
___) %>%
set_mode(___) %>%
set_engine(___)
# Create the tuning grid
tunegrid_boost <- ___(___,
levels = ___)
tunegrid_boost