ÎncepețiÎncepe gratuit

Reglajul propriu-zis

Cei mai buni hiperparametri produc cel mai bun model pentru datele tale. Odată ce ai ales grila de reglaj, trebuie să antrenezi și să evaluezi modele pentru fiecare punct al grilei, pentru a vedea care combinație oferă cea mai bună performanță.

Acest proces poate dura ceva timp: folosind validarea încrucișată k-fold, un ansamblu de n arbori și o grilă de reglaj cu t combinații, vei antrena în total k * n * t modele.

Îți vine rândul să efectuezi reglajul propriu-zis! Sunt preîncărcate customers_train și rezultatele exercițiului anterior, boost_spec și tunegrid_boost:

# A tibble: 27 x 3
   tree_depth    learn_rate  sample_size
        <int>         <dbl>        <dbl>
 1          1  0.0000000001         0.1 
 2          8  0.0000000001         0.1 
 3         15  0.0000000001         0.1 
 4          1  0.00000316           0.1 
 ...

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în R

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează șase fold-uri din datele de antrenament folosind vfold_cv() și salvează-le ca folds.
  • Folosește tune_grid() pentru a regla boost_spec utilizând fold-urile, grila de reglaj și metrica roc_auc. Salvează rezultatele ca tune_results.
  • Realizează un grafic al rezultatelor pentru a vizualiza procesul de reglaj.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create CV folds of training data
folds <- ___

# Tune along the grid
tune_results <- ___(___,
                    still_customer ~ .,
                    resamples = ___,
                    grid = ___,
                    metrics = metric_set(___))

# Plot the results
___(___)
Editează și rulează codul