Aan de slagBegin gratis

De penalty tunen

Je bent ervan overtuigd dat Lasso een verstandige aanpak is om het aantal features van je model te verminderen met behoud van acceptabele prestaties. Je wilt nu het model tunen door de beste penaltywaarde te kiezen. Een basis-recipe samen met de train- en test-splits is in je omgeving geladen.

Deze oefening maakt deel uit van de cursus

Feature engineering in R

Bekijk cursus

Oefeninstructies

  • Stel je model zo in dat de penalty automatisch wordt getuned.
  • Configureer een penaltyraster met 30 levels.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Set up your model so that the penalty is tuned automatically
model_lasso_tuned <- logistic_reg() %>% set_engine("glmnet") %>%
  set_args(mixture = 1, ___ = ___) 
workflow_lasso_tuned <- workflow() %>%
  add_model(model_lasso_tuned) %>%
  add_recipe(recipe)

# Configure a penalty grid with 30 levels
penalty_grid <- grid_regular(penalty(range = c(-3, 1)), ___ = ___)

tune_output <- tune_grid(workflow_lasso_tuned,
  resamples = vfold_cv(train, v = 5),
  metrics = metric_set(roc_auc),grid = penalty_grid)

autoplot(tune_output)
Code bewerken en uitvoeren