or
Questo esercizio fa parte del corso
Perché usiamo la strana parola “iperparametro”? Cosa lo rende “iper”? Qui capirai cosa sono i parametri di un modello e perché sono diversi dagli iperparametri nel Machine Learning. Vedrai poi perché conviene ottimizzarli e come l’impostazione predefinita di caret includa automaticamente il tuning degli iperparametri.
In questo capitolo imparerai a ottimizzare gli iperparametri con una griglia cartesiana. Poi passerai ad approcci più veloci ed efficienti. Userai la Random Search e il ricampionamento adattivo per esplorare la griglia dei parametri, concentrandoti sui valori più vicini alle impostazioni ottimali.
Qui userai un altro pacchetto per il Machine Learning che offre funzioni molto pratiche per il tuning degli iperparametri. Definirai una griglia cartesiana o eseguirai una Random Search, oltre a tecniche avanzate. Imparerai anche diversi modi per visualizzare e valutare modelli con iperparametri differenti.
In questo capitolo finale userai h2o, un altro pacchetto per il Machine Learning con funzioni molto comode per l’ottimizzazione degli iperparametri. Lo userai per addestrare modelli diversi e definire una griglia cartesiana. Poi implementerai una Random Search usando criteri di arresto. Infine, scoprirai AutoML, un’interfaccia di h2o che permette un tuning rapidissimo e pratico di modelli e iperparametri con una sola funzione.
Esercizio attuale