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.

To ćwiczenie jest częścią kursu

Redukcja wymiarowości w R

Zobacz kurs

Instrukcje do ćwiczenia

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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create tune-able model
lasso_model <- ___(___ = ___(), mixture = ___, engine = "glmnet")
lasso_workflow <- workflow(preprocessor = lasso_recipe, ___ = ___)

# Create a cross validation sample and sequence of penalty values
train_cv <- ___(___, v = ___)
penalty_grid <- grid_regular(penalty(range = c(___, ___)), levels = ___)

# Create lasso models with different penalty values
lasso_grid <- tune_grid(
  ___,
  resamples = ___,
  grid = ___)

# Plot RMSE vs. penalty values
___(___, metric = "rmse")

Edytuj i uruchom kod