CommencerCommencez gratuitement

Ajuster les hyperparamètres manuellement

Si vous savez déjà quelles valeurs d’hyperparamètres vous souhaitez fixer, vous pouvez aussi les définir manuellement sous forme de grille. Exécutez modelLookup("gbm") ou recherchez gbm dans la liste des modèles disponibles dans caret et consultez la section Tuning Parameters.

Remarque : comme précédemment, bc_train_data et les bibliothèques caret et tictoc ont été préchargés.

Cet exercice fait partie du cours

<cours>Optimisation des hyperparamètres en R</cours>
Voir le cours

Instructions de l’exercice

  • Définissez la grille d’hyperparamètres suivante pour un Gradient Boosting Model : le nombre d’arbres à 200 ; la complexité de l’arbre à 1 ; le taux d’apprentissage à 0,1 ; et le nombre minimal d’exemples d’entraînement dans un nœud pour commencer à scinder à 10.
  • Appliquez cette grille à la fonction train() de caret.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code