Hyperparameter pada Random Forest

Seperti yang Anda lihat, ada banyak hyperparameter berbeda yang tersedia dalam model Random Forest menggunakan Scikit Learn. Di sini Anda dapat mengingat kembali cara membedakan antara hyperparameter dan parameter, serta dengan mudah memeriksa apakah sesuatu merupakan hyperparameter.

Manakah dari berikut ini yang merupakan hyperparameter untuk model random forest di Scikit Learn?

Latihan ini merupakan bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Penyetelan Hyperparameter di Python

SkillTag.level.intermediateSkillTag.label

4.9+

789 reviews

Mulai Kursus Gratis

Pada bab pengantar ini Anda akan mempelajari perbedaan antara hyperparameter dan parameter. Anda akan berlatih mengekstrak dan menganalisis parameter, serta menetapkan nilai hyperparameter untuk beberapa algoritme Machine Learning populer. Sepanjang jalan Anda akan mempelajari beberapa kiat praktik terbaik untuk memilih hyperparameter mana yang perlu disetel, nilai apa yang harus ditetapkan, serta membangun kurva pembelajaran untuk menganalisis pilihan hyperparameter Anda.

Exercise 1: Pengantar & 'Parameter'Exercise 2: Parameter dalam Logistic Regression Exercise 3: Mengekstrak parameter Logistic Regression Exercise 4: Mengekstrak parameter Random Forest Exercise 5: Pengenalan Hyperparameter Exercise 6: Hyperparameter pada Random Forest

Latihan Saat Ini

Exercise 7: Mengeksplorasi Hyperparameter Random Forest Exercise 8: Hyperparameter KNN Exercise 9: Menetapkan dan Menganalisis Nilai Hyperparameter Exercise 10: Mengotomatisasi Pemilihan Hyperparameter Exercise 11: Membangun Kurva Pembelajaran

Bab ini memperkenalkan Anda pada metodologi populer untuk penyetelan hyperparameter otomatis yang disebut Grid Search. Anda akan mempelajari apa itu, bagaimana cara kerjanya, dan berlatih melakukan Grid Search menggunakan Scikit Learn. Anda kemudian akan belajar cara menganalisis keluaran dari Grid Search dan memperoleh pengalaman praktis dalam melakukannya.

Exercise 1: Pengenalan Grid Search Exercise 2: Bangun fungsi Grid Search Exercise 3: Melakukan tuning beberapa hyperparameter secara iteratif Exercise 4: Berapa Banyak Model?Exercise 5: Grid Search dengan Scikit Learn Exercise 6: Masukan GridSearchCV Exercise 7: GridSearchCV dengan Scikit Learn Exercise 8: Memahami keluaran grid search Exercise 9: Menggunakan keluaran terbaik Exercise 10: Menjelajahi hasil grid search Exercise 11: Menganalisis hasil terbaik Exercise 12: Menggunakan hasil terbaik

Dalam bab ini Anda akan diperkenalkan pada metodologi populer lain untuk penyetelan hyperparameter otomatis yang disebut Random Search. Anda akan mempelajari apa itu, bagaimana cara kerjanya, dan yang terpenting bagaimana perbedaannya dari grid search. Anda akan mempelajari beberapa kelebihan dan kekurangan metode ini serta kapan memilih metode ini dibandingkan Grid Search. Anda akan berlatih melakukan Random Search dengan Scikit Learn serta memvisualisasikan dan menafsirkan keluarannya.

Exercise 1: Pengenalan Random Search Exercise 2: Sampelkan Hyperparameter Secara Acak Exercise 3: Pencarian Acak dengan Random Forest Exercise 4: Memvisualisasikan Random Search Exercise 5: Random Search di Scikit Learn Exercise 6: Masukan RandomSearchCV Exercise 7: Objek RandomizedSearchCV Exercise 8: RandomSearchCV di Scikit Learn Exercise 9: Membandingkan Grid Search dan Random Search Exercise 10: Membandingkan Random & Grid Search Exercise 11: Perbandingan Grid dan Random Search secara Berdampingan

Pada bab terakhir ini Anda akan mengenal metodologi penyetelan hyperparameter yang lebih lanjut yang dikenal sebagai "informed search". Ini mencakup metodologi yang dikenal sebagai Coarse To Fine serta algoritme penyetelan hyperparameter Bayesian & Genetic. Anda akan mempelajari bagaimana informed search berbeda dari uninformed search dan memperoleh keterampilan praktis dengan setiap metodologi yang disebutkan, sambil membandingkan dan mengontraskannya.

Exercise 1: Informed Search: Dari Kasar ke Rinci Exercise 2: Memvisualisasikan Coarse to Fine Exercise 3: Iterasi Coarse to Fine Exercise 4: Informed Search: Statistika Bayesian Exercise 5: Aturan Bayes di Python Exercise 6: Penyetelan Hyperparameter Bayesian dengan Hyperopt Exercise 7: Pencarian Terinformasi: Algoritme Genetika Exercise 8: Penyetelan Hyperparameter Genetik dengan TPOT Exercise 9: Menganalisis kestabilan TPOT Exercise 10: Selamat!