Zacznij terazZacznij za darmo

Dostrajanie na siatce hiperparametrów

Po utworzeniu siatki dostrajania i wstępnej specyfikacji należy dopasować model do każdego punktu siatki i ocenić wyniki. W środowisku tidymodels jest to bardzo proste dzięki funkcji tune_grid(), którą poznałeś(-aś) w prezentacji.

W kolejnych ćwiczeniach będziesz korzystać ze zbioru danych klientów kart kredytowych, który zawiera następujące kolumny:

  • still_customer: flaga (yes lub no) wskazująca, czy klient jest nadal aktywny
  • total_trans_amt: łączna kwota transakcji w USD
  • customer_age: wiek klienta
  • income_category: etykiety takie jak $60K - $80K czy Less than $40K określające przedział rocznych dochodów
  • … oraz 16 kolejnych kolumn.

Zachęcamy do zbadania tabeli customers w konsoli! Wyniki poprzedniego ćwiczenia – tree_grid i tune_spec – są nadal załadowane.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz trzy podziały kroswalidacyjne swojego zbioru danych i zapisz je jako folds.
  • Utwórz tune_results, dostrajając specyfikację na siatce: użyj wszystkich predyktorów do przewidywania still_customer, podaj podziały CV jako próbki oraz metric_set(accuracy).
  • Użyj autoplot(), aby zwizualizować wyniki dostrajania.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

set.seed(275)

# Create CV folds of the customers tibble
folds <- ___

# Tune along the grid
tune_results <- tune_grid(___, 
                          ___,
                          resamples = ___,
                          grid = ___,
                          metrics = ___)

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