Tuning hiperparameter penalty

Sekarang setelah Anda melihat bagaimana parameter penalty memengaruhi pemilihan fitur oleh lasso regression, Anda mungkin bertanya, "Berapa nilai penalty yang terbaik?" tidymodels menyediakan fungsi untuk mengeksplorasi nilai terbaik bagi hiperparameter seperti penalty.

Pada latihan ini, Anda akan mencari nilai penalty terbaik berdasarkan RMSE model, lalu menyesuaikan model final dengan nilai penalty tersebut. Ini akan mengoptimalkan pemilihan fitur lasso regression untuk kinerja model.

lasso_recipe telah dibuat untuk Anda dan train juga tersedia. Paket tidyverse dan tidymodels juga telah dimuat untuk Anda.

Latihan ini adalah bagian dari kursus

Reduksi Dimensi di R

Lihat Kursus

Petunjuk latihan

Definisikan workflow linear_reg() yang akan melakukan tuning pada penalty.
Buat sampel cross validation 3-fold dari train dan sebuah deret 20 nilai penalty dari 0.001 hingga 0.1.
Buat model lasso dengan berbagai nilai penalty.
Plot kinerja model (RMSE) berdasarkan nilai penalty.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create tune-able model
lasso_model <- ___(___ = ___(), mixture = ___, engine = "glmnet")
lasso_workflow <- workflow(preprocessor = lasso_recipe, ___ = ___)

# Create a cross validation sample and sequence of penalty values
train_cv <- ___(___, v = ___)
penalty_grid <- grid_regular(penalty(range = c(___, ___)), levels = ___)

# Create lasso models with different penalty values
lasso_grid <- tune_grid(
  ___,
  resamples = ___,
  grid = ___)

# Plot RMSE vs. penalty values
___(___, metric = "rmse")

Edit dan Jalankan Kode