mlr로 하는 그리드 검색과 랜덤 검색

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.

이 연습은 강의의 일부입니다

R에서 하이퍼파라미터 튜닝

SkillTag.level.advancedSkillTag.label

4.8+

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

현재 연습

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