Adaptywne próbkowanie z caret

Teraz nauczysz model na zbiorze danych wyborców, korzystając z adaptywnego próbkowania!

Podobnie jak wcześniej, mały zbiór danych voters_train_data jest już wczytany, podobnie jak pakiety caret i tictoc.

To ćwiczenie jest częścią kursu

Dostrajanie hiperparametrów w R

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Define trainControl function
fitControl <- trainControl(___,
                           number = ___, repeats = ___)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Dostrajanie hiperparametrów w R

SkillTag.level.advancedSkillTag.label

4.8+

Rozpocznij kurs za darmo

Dlaczego mówimy o „hiperparametrach"? Co je wyróżnia? W tym rozdziale poznasz pojęcie parametrów modelu i dowiesz się, czym różnią się one od hiperparametrów w uczeniu maszynowym. Zrozumiesz też, po co je dostrajamy, oraz zobaczysz, jak domyślne ustawienia pakietu caret automatycznie uwzględniają dostrajanie hiperparametrów.

Exercise 1: Parametry a hiperparametry Exercise 2: Parametry modelu a hiperparametry Exercise 3: Hiperparametry w modelach liniowych Exercise 4: Czym są współczynniki?Exercise 5: Przypomnienie podstaw uczenia maszynowego Exercise 6: Uczenie maszynowe z caret Exercise 7: Schematy ponownego próbkowania Exercise 8: Dostrajanie hiperparametrów w caret Exercise 9: Hiperparametry w stochastycznym wzmacnianiu gradientowym Exercise 10: Zmiana liczby hiperparametrów do strojenia Exercise 11: Ręczne dostrajanie hiperparametrów

W tym rozdziale nauczysz się dostrajać hiperparametry za pomocą siatki kartezjańskiej. Następnie zapoznasz się z szybszymi i bardziej efektywnymi podejściami. Wykorzystasz przeszukiwanie losowe oraz adaptacyjne próbkowanie do dostrajania siatki parametrów w sposób skupiający się na wartościach w otoczeniu optymalnych ustawień.

Exercise 1: Strojenie hiperparametrów w caret Exercise 2: Znajdowanie hiperparametrów Exercise 3: Przeszukiwanie siatki kartezjańskiej w caret Exercise 4: Wizualizacja wyników strojenia hiperparametrów modelu Exercise 5: Przeszukiwanie siatki a przeszukiwanie losowe Exercise 6: Przeszukiwanie siatki z zakresem hiperparametrów Exercise 7: Znajdź opcję train() dla losowego przeszukiwania Exercise 8: Losowe przeszukiwanie w caret Exercise 9: Adaptywne próbkowanie Exercise 10: Zalety adaptacyjnego resamplingowania Exercise 11: Adaptywne próbkowanie z caret

Bieżące ćwiczenie

Tutaj skorzystasz z kolejnego pakietu do uczenia maszynowego, który oferuje wygodne funkcje dostrajania hiperparametrów. Zdefiniujesz siatkę kartezjańską lub przeprowadzisz przeszukiwanie losowe, a także poznasz zaawansowane techniki. Dowiesz się również, jak wizualizować i oceniać modele z różnymi hiperparametrami.

Exercise 1: Uczenie maszynowe z mlr Exercise 2: Uczenie maszynowe z mlr Exercise 3: Modelowanie z mlr Exercise 4: Przeszukiwanie siatki i losowe z mlr Exercise 5: Losowe przeszukiwanie z mlr Exercise 6: Strojenie hiperparametrów z mlr Exercise 7: Ocena hiperparametrów za pomocą mlr Exercise 8: Po co oceniać strojenie?Exercise 9: Ocena wyników strojenia hiperparametrów Exercise 10: Zaawansowane dostrajanie z mlr Exercise 11: Definiowanie zaawansowanych ustawień strojenia Exercise 12: Definiowanie zagregowanych miar Exercise 13: Ustawianie hiperparametrów

W tym ostatnim rozdziale skorzystasz z pakietu h2o – kolejnego narzędzia do uczenia maszynowego z wygodnymi funkcjami dostrajania hiperparametrów. Użyjesz go do trenowania różnych modeli i definiowania siatki kartezjańskiej. Następnie zaimplementujesz przeszukiwanie losowe z kryteriami zatrzymania. Na koniec poznasz AutoML – interfejs h2o umożliwiający bardzo szybkie i wygodne dostrajanie modeli oraz hiperparametrów za pomocą jednej funkcji.

Exercise 1: Uczenie maszynowe z h2o Exercise 2: Przygotowanie danych do modelowania z h2o Exercise 3: Modelowanie z h2o Exercise 4: Przeszukiwanie siatki i losowe z h2o Exercise 5: Przeszukiwanie siatki z h2o Exercise 6: Losowe przeszukiwanie z h2o Exercise 7: Kryteria zatrzymania Exercise 8: Automatyczne uczenie maszynowe z H2O Exercise 9: AutoML w h2o Exercise 10: Ocenianie tabeli wyników Exercise 11: Wyodrębnianie modeli h2o i ocena wydajności Exercise 12: Podsumowanie