Aan de slagBegin gratis

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

Bekijk cursus

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 van caret.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan 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)
Code bewerken en uitvoeren