1. Uczyć się
    2. /
  2. Courses
    3. /
  3. Rによる次元削減
Connected

Exercise

penalty ハイパーパラメータをチューニングする

penalty パラメータが lasso 回帰の特徴量選択にどのように影響するかを見てきました。では、「最適な penalty はいくつでしょうか？」と気になりますよね。tidymodels には、penalty のようなハイパーパラメータの最適値を探索する関数が用意されています。

この演習では、まずモデルの RMSE に基づいて penalty の最適値を見つけ、その penalty 値で最終モデルを学習します。これにより、モデル性能を高めるための lasso 回帰の特徴量選択を最適化します。

lasso_recipe は用意済みで、train も利用できます。tidyverse と tidymodels パッケージも読み込まれています。

Instrukcje

100 XP
  • penalty をチューニングする linear_reg() のワークフローを定義します。
  • train から 3 分割の交差検証サンプルを作成し、0.001 から 0.1 の範囲で 20 個の penalty 値のシーケンスを作成します。
  • 異なる penalty 値で lasso モデルを作成します。
  • penalty 値に対するモデル性能（RMSE）を可視化してプロットします。