ComeçarComece de graça

Preparação para ajuste

A preparação para ajuste é a base do sucesso do tuning. Há duas etapas principais nessa preparação: marcar hiperparâmetros com tune() na especificação do modelo e criar uma grade de hiperparâmetros que será usada no ajuste.

Neste exercício, você vai executar essas duas etapas fundamentais do processo de ajuste.

Este exercício faz parte do curso

Machine Learning com modelos baseados em árvores em R

Ver curso

Instruções do exercício

  • Crie uma especificação de boosting com o engine "xgboost" para um modelo de classificação usando 500 árvores e marque os seguintes parâmetros como parâmetros de ajuste: learn_rate, tree_depth e sample_size. Salve o resultado como boost_spec.
  • Construa uma grade de ajuste regular para os parâmetros de ajuste de boost_spec com três níveis para cada parâmetro.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create the specification with placeholders
boost_spec <- boost_tree(
                trees = ___,
                ___,
                ___,
                ___) %>%
  set_mode(___) %>%
  set_engine(___)

# Create the tuning grid
tunegrid_boost <- ___(___, 
                      levels = ___)

tunegrid_boost
Editar e executar o código