Ręczne dostrajanie hiperparametrów
Jeśli wiesz już, jakie wartości hiperparametrów chcesz ustawić, możesz ręcznie zdefiniować hiperparametry jako siatkę. Przejdź do modelLookup("gbm") lub wyszukaj gbm na liście dostępnych modeli w caret i sprawdź sekcję Tuning Parameters.
Uwaga: Podobnie jak wcześniej, bc_train_data oraz biblioteki caret i tictoc zostały już wczytane.
To ćwiczenie jest częścią kursu
Dostrajanie hiperparametrów w R
Instrukcje do ćwiczenia
- Zdefiniuj następującą siatkę hiperparametrów dla modelu Gradient Boosting: liczba drzew równa 200, złożoność drzewa równa 1, współczynnik uczenia równy 0,1 oraz minimalna liczba próbek w węźle wymagana do podziału równa 10.
- Zastosuj tę siatkę w funkcji
train()z pakietucaret.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Define hyperparameter grid.
hyperparams <- expand.grid(___ = 200,
___ = 1,
___ = 0.1,
___ = 10)
# Apply hyperparameter grid to train().
set.seed(42)
gbm_model <- train(diagnosis ~ .,
data = bc_train_data,
method = "gbm",
trControl = trainControl(method = "repeatedcv", number = 5, repeats = 3),
verbose = FALSE,
___ = hyperparams)