Hyperparameters handmatig afstellen
Als je al weet welke hyperparameterewaarden je wilt instellen, kun je hyperparameters ook handmatig definiëren als een grid. Ga naar modelLookup("gbm") of zoek naar gbm in de lijst met beschikbare modellen in caret en kijk onder Tuning Parameters.
Opmerking: Net als eerder zijn bc_train_data en de libraries caret en tictoc al voor je geladen.
Deze oefening maakt deel uit van de cursus
Hyperparameterafstelling in R
Oefeninstructies
- Definieer de volgende hyperparameter-grid voor een Gradient Boosting Model: het aantal bomen als 200; de boomcomplexiteit als 1; de leersnelheid als 0,1 en het minimale aantal trainingsset-samples in een knoop om te beginnen met splitsen als 10.
- Pas de grid toe in de
train()-functie vancaret.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Define hyperparameter grid.
hyperparams <- expand.grid(___ = 200,
___ = 1,
___ = 0.1,
___ = 10)
# Apply hyperparameter grid to train().
set.seed(42)
gbm_model <- train(diagnosis ~ .,
data = bc_train_data,
method = "gbm",
trControl = trainControl(method = "repeatedcv", number = 5, repeats = 3),
verbose = FALSE,
___ = hyperparams)