1. Nauka
    2. /
  2. Kursy
    3. /
  3. Redukcja wymiarowości w R
Connected

ćwiczenie

Dostrajanie hiperparametru penalty

Wiesz już, jak parametr penalty wpływa na dobór cech w regresji lasso. Być może zastanawiasz się: „Jaka jest optymalna wartość penalty?". Pakiet tidymodels udostępnia funkcje, które pozwalają sprawdzić najlepszą wartość hiperparametrów, takich jak penalty.

W tym ćwiczeniu znajdziesz najlepszą wartość penalty na podstawie błędu RMSE modelu, a następnie dopasowujesz finalny model z tą wartością. Pozwoli to zoptymalizować dobór cech w regresji lasso pod kątem wydajności modelu.

Obiekt lasso_recipe został już dla ciebie utworzony, a zbiór train jest również dostępny. Pakiety tidyverse i tidymodels zostały wczytane.

Instrukcje

100 XP
  • Zdefiniuj workflow oparty na linear_reg(), który będzie dostrajał parametr penalty.
  • Utwórz próbkę do 3-krotnej walidacji krzyżowej ze zbioru train oraz sekwencję 20 wartości penalty z zakresu od 0,001 do 0,1.
  • Zbuduj modele lasso z różnymi wartościami penalty.
  • Zwizualizuj wydajność modeli (RMSE) w zależności od wartości penalty.