Ajustează hiperparametrul de penalizare

Acum că ai văzut cum influențează parametrul penalty selecția caracteristicilor în regresia lasso, poate te întrebi: „Care este cea mai bună valoare pentru penalty?" tidymodels pune la dispoziție funcții pentru a explora valoarea optimă a hiperparametrilor, precum penalty.

În acest exercițiu, vei identifica cea mai bună valoare a penalty pe baza RMSE-ului modelului, apoi vei antrena un model final cu acea valoare. Astfel, vei optimiza selecția caracteristicilor din regresia lasso în funcție de performanța modelului.

lasso_recipe a fost creat pentru tine, iar train este și el disponibil. Pachetele tidyverse și tidymodels au fost deja încărcate.

Acest exercițiu face parte din cursul

Reducerea dimensionalității în R

Vezi cursul

Instrucțiuni pentru exercițiu

Definește un workflow cu linear_reg() care va ajusta penalty.
Creează un eșantion de validare încrucișată cu 3 iterații din train și o secvență de 20 de valori ale penalizării cuprinse între 0,001 și 0,1.
Creează modele lasso folosind valori diferite ale penalizării.
Vizualizează performanța modelului (RMSE) în funcție de valoarea penalizării.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create tune-able model
lasso_model <- ___(___ = ___(), mixture = ___, engine = "glmnet")
lasso_workflow <- workflow(preprocessor = lasso_recipe, ___ = ___)

# Create a cross validation sample and sequence of penalty values
train_cv <- ___(___, v = ___)
penalty_grid <- grid_regular(penalty(range = c(___, ___)), levels = ___)

# Create lasso models with different penalty values
lasso_grid <- tune_grid(
  ___,
  resamples = ___,
  grid = ___)

# Plot RMSE vs. penalty values
___(___, metric = "rmse")

Editează și rulează codul