始める無料で始める

ハイパーパラメータチューニング結果の評価

ここでは、rpart パッケージで学習した決定木について、ハイパーパラメータチューニングの結果を評価します。 knowledge_train_data データセットはすでに読み込まれており、mlr と tidyverse パッケージも読み込まれています。さらに、次のコードも実行済みです。

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.rpart", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("minsplit", lower = 1, upper = 30),
  makeIntegerParam("minbucket", lower = 1, upper = 30),
  makeIntegerParam("maxdepth", lower = 3, upper = 10)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

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

コースを見る

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Create holdout sampling
holdout <- makeResampleDesc(___)

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, task = task, resampling = holdout, control = ctrl_random, par.set = param_set)
コードを編集して実行