Адаптивное повторное сэмплирование

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Настройка гиперпараметров в R

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

Почему используется странное слово «гиперпараметр»? Что делает его «гипер»? В этой главе вы узнаете, что такое параметры модели и чем они отличаются от гиперпараметров в машинном обучении. Вы увидите, зачем нужна их настройка и как стандартные параметры пакета caret автоматически включают подбор гиперпараметров.

Exercise 1: Параметры и гиперпараметры Exercise 2: Параметры модели и гиперпараметры Exercise 3: Гиперпараметры в линейных моделях Exercise 4: Что такое коэффициенты?Exercise 5: Краткое повторение основ машинного обучения Exercise 6: Машинное обучение с caret Exercise 7: Схемы повторной выборки Exercise 8: Настройка гиперпараметров в caret Exercise 9: Гиперпараметры стохастического градиентного бустинга Exercise 10: Изменение количества гиперпараметров для настройки Exercise 11: Настройка гиперпараметров вручную

В этой главе вы научитесь настраивать гиперпараметры с помощью декартовой сетки, а затем освоите более быстрые и эффективные подходы. Вы воспользуетесь случайным поиском и адаптивным ресэмплингом для перебора сетки параметров, сосредоточившись на значениях вблизи оптимальных настроек.

Exercise 1: Настройка гиперпараметров в caret Exercise 2: Поиск гиперпараметров Exercise 3: Картезианский поиск по сетке в caret Exercise 4: Визуализация результатов подбора гиперпараметров модели Exercise 5: Сеточный поиск и случайный поиск Exercise 6: Поиск по сетке с диапазоном гиперпараметров Exercise 7: Найдите параметр функции train() для случайного поиска Exercise 8: Случайный поиск в caret Exercise 9: Адаптивное повторное сэмплирование

Текущее упражнение

Exercise 10: Преимущества адаптивного ресэмплинга Exercise 11: Адаптивная повторная выборка с caret

В этой главе вы будете использовать ещё один пакет для машинного обучения с удобными функциями настройки гиперпараметров. Вы определите декартову сетку или выполните случайный поиск, а также изучите продвинутые техники. Кроме того, вы освоите различные способы визуализации и оценки моделей с разными гиперпараметрами.

Exercise 1: Машинное обучение с mlr Exercise 2: Машинное обучение с mlr Exercise 3: Моделирование с помощью mlr Exercise 4: Сеточный и случайный поиск с mlr Exercise 5: Случайный поиск с mlr Exercise 6: Подбор гиперпараметров с помощью mlr Exercise 7: Оценка гиперпараметров с помощью mlr Exercise 8: Зачем оценивать настройку гиперпараметров?Exercise 9: Оценка результатов настройки гиперпараметров Exercise 10: Продвинутая настройка с mlr Exercise 11: Определение расширенных параметров настройки Exercise 12: Определение агрегированных метрик Exercise 13: Настройка гиперпараметров

В заключительной главе вы будете использовать h2o — ещё один пакет для машинного обучения с удобными функциями настройки гиперпараметров. Вы обучите различные модели и зададите декартову сетку, затем реализуете случайный поиск с критериями остановки. В завершение вы познакомитесь с AutoML — интерфейсом h2o, который позволяет очень быстро и удобно выбирать модели и настраивать гиперпараметры с помощью всего одной функции.

Exercise 1: Машинное обучение с h2o Exercise 2: Подготовка данных для моделирования с помощью h2o Exercise 3: Построение моделей с h2o Exercise 4: Сеточный и случайный поиск с h2o Exercise 5: Поиск по сетке с h2o Exercise 6: Случайный поиск с h2o Exercise 7: Критерии остановки Exercise 8: Автоматическое машинное обучение с H2O Exercise 9: AutoML в h2o Exercise 10: Оценка таблицы лидеров Exercise 11: Извлечение моделей h2o и оценка производительности Exercise 12: Подведение итогов