리더보드 점수 매기기

H2O의 AutoML 함수는 모델 결과를 이른바 리더보드로 반환합니다. 교차 검증 없이, 다음을 원할 때 어떤 데이터셋을 정의해야 할까요?

학습 데이터는 있는 그대로 사용하고
검증 데이터의 절반은 검증에 사용하며
나머지 절반은 리더보드 점수 매기기에 사용하려면

이 연습은 강의의 일부입니다

R에서 하이퍼파라미터 튜닝

강의 보기

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

연습 시작

이 연습은 강의의 일부입니다

R에서 하이퍼파라미터 튜닝

SkillTag.level.advancedSkillTag.label

4.8+

63 reviews

무료로 강의 시작하기

왜 ‘하이퍼파라미터’라는 다소 낯선 용어를 쓸까요? 무엇이 ‘하이퍼’일까요? 이 장에서 모델 파라미터가 무엇인지, 그리고 그것이 Machine Learning에서 하이퍼파라미터와 어떻게 다른지 이해합니다. 이어서 왜 튜닝이 필요한지 살펴보고, caret의 기본 설정에 하이퍼파라미터 튜닝이 자동으로 포함되어 있는 이유를 알아봅니다.

Exercise 1: 파라미터와 하이퍼파라미터 Exercise 2: 모델 파라미터 vs. 하이퍼파라미터 Exercise 3: 선형 모델에서의 하이퍼파라미터 Exercise 4: 회귀계수는 무엇인가요?Exercise 5: Machine Learning 기본 개념 복습 Exercise 6: caret로 하는 Machine learning Exercise 7: 리샘플링 방식 Exercise 8: caret에서 하이퍼파라미터 튜닝 Exercise 9: Stochastic Gradient Boosting의 하이퍼파라미터 Exercise 10: 튜닝할 하이퍼파라미터 수 변경하기 Exercise 11: 하이퍼파라미터 수동 튜닝

이 장에서는 데카르트 그리드를 사용해 하이퍼파라미터를 튜닝하는 방법을 배웁니다. 그다음 더 빠르고 효율적인 접근을 구현해 봅니다. Random Search와 적응형 리샘플링을 사용해 최적 설정 주변의 값들에 집중하도록 파라미터 그리드를 튜닝합니다.

Exercise 1: caret에서 하이퍼파라미터 튜닝 Exercise 2: 하이퍼파라미터 찾기 Exercise 3: caret에서의 데카르트 그리드 탐색 Exercise 4: 하이퍼파라미터 모델 출력 그리기 Exercise 5: Grid Search와 Random Search 비교 Exercise 6: 하이퍼파라미터 범위를 활용한 그리드 서치 Exercise 7: 무작위 탐색을 위한 train() 옵션 찾기 Exercise 8: caret로 Random search 수행하기 Exercise 9: 적응형 재표본추출 Exercise 10: Adaptive Resampling의 장점 Exercise 11: caret로 Adaptive Resampling 수행하기

여기서는 하이퍼파라미터 튜닝 기능이 매우 편리한 또 다른 Machine Learning 패키지를 사용합니다. 데카르트 그리드를 정의하거나 Random Search를 수행하고, 더 발전된 기법도 다룹니다. 또한 서로 다른 하이퍼파라미터로 학습한 모델을 시각화하고 평가하는 다양한 방법을 배웁니다.

Exercise 1: mlr로 하는 Machine Learning Exercise 2: mlr로 하는 Machine Learning Exercise 3: mlr로 모델링하기 Exercise 4: mlr로 하는 그리드 검색과 랜덤 검색 Exercise 5: mlr로 Random Search 수행하기 Exercise 6: mlr로 하이퍼파라미터 튜닝 수행하기 Exercise 7: mlr로 하이퍼파라미터 평가하기 Exercise 8: 왜 튜닝을 평가해야 할까요?Exercise 9: 하이퍼파라미터 튜닝 결과 평가하기 Exercise 10: mlr로 고급 튜닝하기 Exercise 11: 고급 튜닝 제어 정의하기 Exercise 12: 집계 지표 정의하기 Exercise 13: 하이퍼파라미터 설정하기

마지막 장에서는 편리한 하이퍼파라미터 튜닝 기능을 제공하는 또 다른 Machine Learning 패키지인 h2o를 사용합니다. 이를 통해 다양한 모델을 학습하고 데카르트 그리드를 정의합니다. 이어서 Random Search를 구현하고 중지 기준을 활용합니다. 마지막으로 하나의 함수만으로 매우 빠르고 손쉽게 모델과 하이퍼파라미터를 튜닝할 수 있는 h2o의 AutoML을 배웁니다.

Exercise 1: h2o로 Machine learning 하기 Exercise 2: h2o로 모델링할 데이터 준비하기 Exercise 3: h2o로 모델링하기 Exercise 4: h2o로 그리드 검색과 랜덤 검색 Exercise 5: h2o로 그리드 서치 Exercise 6: h2o로 랜덤 서치 수행하기 Exercise 7: 중단 기준 Exercise 8: H2O로 자동 Machine Learning 수행하기 Exercise 9: h2o에서 AutoML 사용하기 Exercise 10: 리더보드 점수 매기기

현재 연습

Exercise 11: h2o 모델 추출 및 성능 평가 Exercise 12: 마무리