Hyperparameter dalam Stochastic Gradient Boosting

Pada pelajaran sebelumnya, Anda membangun model Stochastic Gradient Boosting di caret. Model serupa dengan yang sebelumnya telah dimuat sebagai gbm_model. Untuk mengoptimalkan model ini, Anda ingin menyetel hyperparameter-nya. Manakah dari berikut ini yang BUKAN merupakan hyperparameter dari metode gbm?

Catatan: Pustaka caret juga telah dimuat sebelumnya.

Latihan ini merupakan bagian dari kursus

Penyetelan Hyperparameter di R

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Penyetelan Hyperparameter di R

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Mengapa kita menggunakan kata "hyperparameter" yang terdengar asing? Apa yang membuatnya "hyper"? Di sini, Anda akan memahami apa itu parameter model dan mengapa paramater tersebut berbeda dari hyperparameter dalam Machine Learning. Anda kemudian akan melihat alasan kita perlu menyetelkannya dan bagaimana pengaturan bawaan caret secara otomatis menyertakan penyetelan hyperparameter.

Exercise 1: Parameter vs hyperparameter Exercise 2: Parameter model vs. hyperparameter Exercise 3: Hyperparameter dalam model linear Exercise 4: Apa saja koefisiennya?Exercise 5: Ulasan dasar-dasar Machine Learning Exercise 6: Machine learning dengan caret Exercise 7: Skema resampling Exercise 8: Penyetelan hyperparameter di caret Exercise 9: Hyperparameter dalam Stochastic Gradient Boosting

Latihan Saat Ini

Exercise 10: Mengubah jumlah hiperparameter yang akan dituning Exercise 11: Lakukan tuning hyperparameter secara manual

Di bab ini, Anda akan mempelajari cara menyetel hyperparameter dengan grid Cartesian. Selanjutnya, Anda akan menerapkan pendekatan yang lebih cepat dan efisien. Anda akan menggunakan Random Search dan adaptive resampling untuk menyetel grid parameter, dengan cara yang memusat pada nilai-nilai di sekitar pengaturan optimal.

Exercise 1: Penyetelan hyperparameter di caret Exercise 2: Menemukan hyperparameter Exercise 3: Pencarian grid Cartesian di caret Exercise 4: Plot keluaran model hyperparameter Exercise 5: Grid vs. Random Search Exercise 6: Pencarian grid dengan rentang hyperparameter Exercise 7: Temukan opsi train() untuk random search Exercise 8: Pencarian acak dengan caret Exercise 9: Resampling adaptif Exercise 10: Keunggulan Adaptive Resampling Exercise 11: Adaptive Resampling dengan caret

Di sini, Anda akan menggunakan paket lain untuk Machine Learning yang memiliki fungsi penyetelan hyperparameter yang sangat praktis. Anda akan mendefinisikan grid Cartesian atau melakukan Random Search, serta teknik lanjutan. Anda juga akan mempelajari berbagai cara untuk memvisualisasikan dan mengevaluasi model dengan hyperparameter yang berbeda.

Exercise 1: Machine Learning dengan mlr Exercise 2: Machine Learning dengan mlr Exercise 3: Pemodelan dengan mlr Exercise 4: Grid dan random search dengan mlr Exercise 5: Pencarian acak dengan mlr Exercise 6: Lakukan hyperparameter tuning dengan mlr Exercise 7: Mengevaluasi hyperparameter dengan mlr Exercise 8: Mengapa perlu mengevaluasi tuning?Exercise 9: Mengevaluasi hasil penyetelan hyperparameter Exercise 10: Penyetelan lanjutan dengan mlr Exercise 11: Definisikan kontrol tuning lanjutan Exercise 12: Definisikan ukuran teragregasi Exercise 13: Mengatur hyperparameter

Di bab terakhir ini, Anda akan menggunakan h2o, paket lain untuk Machine Learning dengan fungsi penyetelan hyperparameter yang sangat praktis. Anda akan menggunakannya untuk melatih berbagai model dan mendefinisikan grid Cartesian. Lalu, Anda akan menerapkan Random Search dengan kriteria penghentian. Terakhir, Anda akan mempelajari AutoML, sebuah antarmuka h2o yang memungkinkan penyetelan model dan hyperparameter secara sangat cepat dan praktis hanya dengan satu fungsi.

Exercise 1: Machine Learning dengan h2o Exercise 2: Menyiapkan data untuk pemodelan dengan h2o Exercise 3: Pemodelan dengan h2o Exercise 4: Grid dan random search dengan h2o Exercise 5: Grid search dengan h2o Exercise 6: Pencarian acak dengan h2o Exercise 7: Kriteria penghentian Exercise 8: Machine learning otomatis dengan H2O Exercise 9: AutoML di h2o Exercise 10: Memberi skor pada leaderboard Exercise 11: Ekstrak model h2o dan evaluasi kinerja Exercise 12: Ringkasan