Zacznij terazZacznij za darmo

Właściwe strojenie

Najlepsze hiperparametry dają najlepszy model dla twoich danych. Po wyborze siatki strojenia trzeba wytrenować i ocenić modele dla każdego punktu siatki, aby sprawdzić, który z nich zapewnia najlepszą wydajność.

Może to trochę potrwać – przy k-krotnej walidacji krzyżowej, liczbie drzew n i siatce strojenia zawierającej t kombinacji, łączna liczba trenowanych modeli wynosi k * n * t.

Twoja kolej, aby przeprowadzić właściwe strojenie! Wstępnie wczytane są: customers_train oraz wyniki poprzedniego ćwiczenia – boost_spec i tunegrid_boost:

# A tibble: 27 x 3
   tree_depth    learn_rate  sample_size
        <int>         <dbl>        <dbl>
 1          1  0.0000000001         0.1 
 2          8  0.0000000001         0.1 
 3         15  0.0000000001         0.1 
 4          1  0.00000316           0.1 
 ...

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz sześć podziałów danych treningowych za pomocą vfold_cv() i zapisz je jako folds.
  • Użyj tune_grid(), aby dostroić boost_spec z użyciem podziałów, siatki strojenia i metryki roc_auc. Zapisz wyniki jako tune_results.
  • Narysuj wykres wyników, aby zwizualizować przebieg procesu strojenia.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create CV folds of training data
folds <- ___

# Tune along the grid
tune_results <- ___(___,
                    still_customer ~ .,
                    resamples = ___,
                    grid = ___,
                    metrics = metric_set(___))

# Plot the results
___(___)
Edytuj i uruchom kod