Ricerca a griglia con h2o
Ora che hai addestrato con successo un modello Random Forest con h2o, puoi applicare gli stessi concetti all’addestramento di tutti gli altri algoritmi, come il Deep Learning. In questo esercizio, applicherai una ricerca a griglia per mettere a punto un modello.
Ricorda che i modelli di gradient boosting hanno l’iperparametro learn_rate, mentre i modelli di deep learning hanno l’iperparametro rate.
La libreria h2o è già stata caricata e inizializzata per te.
Questo esercizio fa parte del corso
Ottimizzazione degli iperparametri in R
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Define hyperparameters
dl_params <- ___(___ = c(0.001, 0.005, 0.01))