Modeling con mlr

Come hai visto nel video, mlr è un altro pacchetto R molto usato per il Machine Learning che include molte funzioni per il tuning degli iperparametri. Qui ripasserai il flusso di lavoro di base per addestrare modelli con mlr.

Il dataset knowledge_train_data è già stato caricato per te, così come i pacchetti mlr, tidyverse e tictoc. Ricorda che iniziando a digitare nella console otterrai suggerimenti di completamento automatico per funzioni e pacchetti.

Questo esercizio fa parte del corso

Ottimizzazione degli iperparametri in R

Visualizza corso

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Create classification task
task <- ___(data = ___, 
            ___ = ___)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Ottimizzazione degli iperparametri in R

AvançadoNível de habilidade

4.8+

Inizia il corso gratuitamente

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.

Exercise 1: Parametri vs iperparametri Exercise 2: Parametri del modello vs. iperparametri Exercise 3: Iperparametri nei modelli lineari Exercise 4: Quali sono i coefficienti?Exercise 5: Ripasso dei fondamenti di Machine Learning Exercise 6: Machine learning con caret Exercise 7: Schemi di ricampionamento Exercise 8: Ottimizzazione degli iperparametri in caret Exercise 9: Iperparametri nello Stochastic Gradient Boosting Exercise 10: Modificare il numero di iperparametri da ottimizzare Exercise 11: Sintonizza manualmente gli 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.

Exercise 1: Ottimizzazione degli iperparametri con caret Exercise 2: Trovare gli iperparametri Exercise 3: Ricerca a griglia cartesiana in caret Exercise 4: Rappresenta graficamente l'output del modello con iperparametri Exercise 5: Grid vs. Random Search Exercise 6: Grid search con intervalli di iperparametri Exercise 7: Trova l'opzione di train() per la random search Exercise 8: Random search con caret Exercise 9: Ricampionamento adattivo Exercise 10: Vantaggi dell'Adaptive Resampling Exercise 11: Adaptive Resampling con caret

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.

Exercise 1: Machine Learning con mlr Exercise 2: Machine Learning con mlr Exercise 3: Modeling con mlr

Esercizio attuale

Exercise 4: Grid e random search con mlr Exercise 5: Random search con mlr Exercise 6: Esegui l'hyperparameter tuning con mlr Exercise 7: Valutare gli iperparametri con mlr Exercise 8: Perché valutare il tuning?Exercise 9: Valutare i risultati del tuning degli iperparametri Exercise 10: Ottimizzazione avanzata con mlr Exercise 11: Definisci controlli di tuning avanzati Exercise 12: Definisci misure aggregate Exercise 13: Impostare gli iperparametri

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.

Exercise 1: Machine Learning con h2o Exercise 2: Prepara i dati per il modelling con h2o Exercise 3: Creare modelli con h2o Exercise 4: Grid e random search con h2o Exercise 5: Ricerca a griglia con h2o Exercise 6: Ricerca casuale con h2o Exercise 7: Criteri di arresto Exercise 8: Machine learning automatico con H2O Exercise 9: AutoML in h2o Exercise 10: Valutare la leaderboard Exercise 11: Estrai i modelli h2o e valuta le prestazioni Exercise 12: Riepilogo