शुरू करेंमुफ़्त में शुरू करें

Aggregated measures परिभाषित करें

अब, आप performance measures परिभाषित करने जा रहे हैं. knowledge_train_data डेटासेट, और mlr व tidyverse पैकेज आपके लिए पहले से लोड हैं. साथ ही, निम्न कोड भी चलाया जा चुका है:

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.nnet", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("size", lower = 1, upper = 5),
  makeIntegerParam("maxit", lower = 1, upper = 300),
  makeNumericParam("decay", lower = 0.0001, upper = 1)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • उस setAggregation फंक्शन का उपयोग करें, जो performance metrics की standard deviation को aggregate करता है.
  • setAggregation को mean misclassification error और resampling के बाद की accuracy पर लागू करें.
  • अपने मॉडल को mean misclassification error द्वारा optimize करें. याद रखें कि पहला argument optimization के लिए उपयोग होता है.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create holdout sampling
holdout <- makeResampleDesc("Holdout", predict = "both")

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, 
                       task = task, 
                       resampling = holdout, 
                       control = ctrl_random, 
                       par.set = param_set,
                       measures = list(___, ___(___, train.mean), ___, ___(___, train.mean)))
कोड संपादित करें और चलाएँ