mlr を使った高度なチューニング

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

この演習はコースの一部です

R によるハイパーパラメータチューニング

SkillTag.level.advancedSkillTag.label

4.8+

無料でコースを始める

なぜ「ハイパーパラメータ」という少し不思議な言葉を使うのでしょうか？どこが“ハイパー”なのでしょう？ここでは、モデルパラメータとは何か、そしてそれが Machine Learning におけるハイパーパラメータとどう違うのかを理解します。続いて、私たちがそれらをチューニングしたい理由と、caret のデフォルト設定がどのように自動でハイパーパラメータチューニングを含んでいるかを見ていきます。

Exercise 1: パラメータとハイパーパラメータ Exercise 2: モデルパラメータ vs. ハイパーパラメータ Exercise 3: 線形モデルにおけるハイパーパラメータ Exercise 4: 係数は何ですか？Exercise 5: Machine Learning の基礎の復習 Exercise 6: caret を使った Machine learning Exercise 7: リサンプリング方式 Exercise 8: caret によるハイパーパラメータチューニング Exercise 9: Stochastic Gradient Boosting のハイパーパラメータ Exercise 10: 調整するハイパーパラメータの数を変更する Exercise 11: ハイパーパラメータを手動でチューニングする

この章では、まず直交グリッド（Cartesian グリッド）でハイパーパラメータをチューニングする方法を学びます。その後、より高速で効率的な手法を実装します。ランダムサーチと適応的リサンプリングを使い、最適設定の近傍に焦点を当てる形でパラメータグリッドをチューニングします。

Exercise 1: caretでのハイパーパラメータチューニング Exercise 2: ハイパーパラメータを見つける Exercise 3: caret でのデカルト格子探索 Exercise 4: ハイパーパラメータのモデル出力をプロットする Exercise 5: グリッドサーチ vs. ランダムサーチ Exercise 6: ハイパーパラメータ範囲を使ったグリッドサーチ Exercise 7: ランダムサーチ用の train() のオプションを見つける Exercise 8: caret でのランダムサーチ Exercise 9: 適応的リサンプリング Exercise 10: Adaptive Resampling の利点 Exercise 11: caret での適応的リサンプリング

ここでは、ハイパーパラメータチューニング機能が充実した別の Machine Learning パッケージを使います。Cartesian グリッドの定義やランダムサーチに加え、より高度な手法も実行します。さらに、異なるハイパーパラメータをもつモデルを可視化・評価するさまざまな方法を学びます。

Exercise 1: mlr での Machine Learning Exercise 2: mlr での Machine Learning Exercise 3: mlr でのモデリング Exercise 4: mlr を使ったグリッドサーチとランダムサーチ Exercise 5: mlr でのランダムサーチ Exercise 6: mlr でハイパーパラメータチューニングを実行する Exercise 7: mlr によるハイパーパラメータの評価 Exercise 8: なぜ評価を行うのか？Exercise 9: ハイパーパラメータチューニング結果の評価 Exercise 10: mlr を使った高度なチューニング

現在の演習

Exercise 11: 高度なチューニング制御を定義する Exercise 12: 集約済み指標を定義する Exercise 13: ハイパーパラメータの設定

最終章では、ハイパーパラメータチューニング機能が使いやすい別の Machine Learning パッケージである h2o を使います。これを用いて複数のモデルを学習し、Cartesian グリッドを定義します。次に、停止基準を用いたランダムサーチを実装します。最後に、h2o のインターフェースである AutoML を学び、1つの関数で高速かつ手軽にモデルとハイパーパラメータのチューニングを行います。

Exercise 1: h2o での Machine Learning Exercise 2: h2o でモデリング用にデータを準備する Exercise 3: h2o でのモデリング Exercise 4: h2o でのグリッドサーチとランダムサーチ Exercise 5: h2o でのグリッドサーチ Exercise 6: h2o でのランダムサーチ Exercise 7: 停止条件 Exercise 8: H2OによるAutomatic machine learning Exercise 9: h2o の AutoML Exercise 10: リーダーボードのスコアリング Exercise 11: h2oモデルを抽出して性能を評価する Exercise 12: まとめ