ComeçarComece de graça

Ajuste hiperparâmetros manualmente

Se você já sabe quais valores de hiperparâmetros deseja definir, também pode defini-los manualmente como uma grade. Vá até modelLookup("gbm") ou pesquise por gbm na lista de modelos disponíveis no caret e confira a seção Tuning Parameters.

Observação: assim como antes, bc_train_data e as bibliotecas caret e tictoc já foram pré-carregadas.

Este exercício faz parte do curso

Ajuste de hiperparâmetros em R

Ver curso

Instruções do exercício

  • Defina a seguinte grade de hiperparâmetros para um Gradient Boosting Model: número de árvores igual a 200; complexidade da árvore igual a 1; taxa de aprendizado igual a 0,1; e número mínimo de amostras do conjunto de treino em um nó para iniciar a divisão igual a 10.
  • Aplique a grade na função train() do caret.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)
Editar e executar o código