Przeszukiwanie siatki a przeszukiwanie losowe

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

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

Bieżące ćwiczenie

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

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