शुरू करेंमुफ़्त में शुरू करें

हाइपरपैरामीटर ट्यूनिंग के नतीजों का मूल्यांकन

यहाँ, आप rpart पैकेज से प्रशिक्षित एक decision tree के लिए हाइपरपैरामीटर ट्यूनिंग रन के नतीजों का मूल्यांकन करेंगे. आपके लिए knowledge_train_data डेटासेट पहले से लोड है, साथ ही mlr और tidyverse पैकेज भी. और निम्नलिखित कोड भी चलाया जा चुका है:

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

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

param_set <- makeParamSet(
  makeIntegerParam("minsplit", lower = 1, upper = 30),
  makeIntegerParam("minbucket", lower = 1, upper = 30),
  makeIntegerParam("maxdepth", lower = 3, upper = 10)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

यह अभ्यास पाठ्यक्रम का हिस्सा है

R में Hyperparameter Tuning

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create holdout sampling
holdout <- makeResampleDesc(___)

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