ÎncepețiÎncepe gratuit

Ajustează manual hiperparametrii

Dacă știi deja ce valori vrei să setezi pentru hiperparametri, îi poți defini manual sub formă de grid. Accesează modelLookup("gbm") sau caută gbm în lista modelelor disponibile în caret și verifică secțiunea Tuning Parameters.

Notă: La fel ca înainte, bc_train_data și bibliotecile caret și tictoc sunt preîncărcate.

Acest exercițiu face parte din cursul

Ajustarea hiperparametrilor în R

Vezi cursul

Instrucțiuni pentru exercițiu

  • Definește următorul grid de hiperparametri pentru un model Gradient Boosting: numărul de arbori egal cu 200; complexitatea arborelui egală cu 1; rata de învățare egală cu 0,1 și numărul minim de eșantioane din setul de antrenament într-un nod pentru a începe divizarea, egal cu 10.
  • Aplică gridul în funcția train() din caret.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)
Editează și rulează codul