शुरू करेंमुफ़्त में शुरू करें

h2o के साथ रैंडम सर्च

अब आप random search का उपयोग करेंगे. h2o लाइब्रेरी और seeds_train_data पहले से लोड किए गए हैं और नीचे दिया गया कोड चलाया जा चुका है:

h2o.init()
seeds_train_data_hf <- as.h2o(seeds_train_data)

y <- "seed_type"
x <- setdiff(colnames(seeds_train_data_hf), y)

seeds_train_data_hf[, y] <- as.factor(seeds_train_data_hf[, y])

sframe <- h2o.splitFrame(seeds_train_data_hf, seed = 42)
train <- sframe[[1]]
valid <- sframe[[2]]

dl_params <- list(hidden = list(c(50, 50), c(100, 100)),
                  epochs = c(5, 10, 15),
                  rate = c(0.001, 0.005, 0.01))

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • ऐसा search criteria ऑब्जेक्ट बनाएँ जो random search को परिभाषित करे और अधिकतम runtime 10 seconds सेट करे.
  • इस search criteria ऑब्जेक्ट को h2o.grid फंक्शन में सही स्थान पर जोड़ें ताकि रैंडम मॉडल ट्रेन हो सकें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Define search criteria
search_criteria <- list(strategy = ___, 
                        ___ = 10, # this is way too short & only used to keep runtime short!
                        seed = 42)

# Train with random search
dl_grid <- h2o.grid("deeplearning", 
                    grid_id = "dl_grid",
                    x = x, 
                    y = y,
                    training_frame = train,
                    validation_frame = valid,
                    seed = 42,
                    hyper_params = dl_params,
                    ___ = ___)
कोड संपादित करें और चलाएँ