Zacznij terazZacznij za darmo

Definiowanie zagregowanych miar

Teraz zdefiniujesz miary wydajności. Zbiór danych knowledge_train_data został już wczytany, podobnie jak pakiety mlr i tidyverse. Wykonano również następujący kod:

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.nnet", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("size", lower = 1, upper = 5),
  makeIntegerParam("maxit", lower = 1, upper = 300),
  makeNumericParam("decay", lower = 0.0001, upper = 1)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

To ćwiczenie jest częścią kursu

Dostrajanie hiperparametrów w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Użyj funkcji setAggregation, która agreguje odchylenie standardowe miar wydajności.
  • Zastosuj setAggregation do średniego błędu klasyfikacji oraz dokładności po próbkowaniu.
  • Zoptymalizuj model według średniego błędu klasyfikacji. Pamiętaj, że pierwszy argument jest używany do optymalizacji.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create holdout sampling
holdout <- makeResampleDesc("Holdout", predict = "both")

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, 
                       task = task, 
                       resampling = holdout, 
                       control = ctrl_random, 
                       par.set = param_set,
                       measures = list(___, ___(___, train.mean), ___, ___(___, train.mean)))
Edytuj i uruchom kod