НачатьНачать бесплатно

Определение агрегированных метрик

Теперь вы определите метрики качества. Набор данных knowledge_train_data уже загружен, как и пакеты mlr и tidyverse. Также был выполнен следующий код:

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.nnet", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("size", lower = 1, upper = 5),
  makeIntegerParam("maxit", lower = 1, upper = 300),
  makeNumericParam("decay", lower = 0.0001, upper = 1)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

Это упражнение является частью курса

Настройка гиперпараметров в R

Посмотреть курс

Инструкции к упражнению

  • Используйте функцию setAggregation, которая агрегирует стандартное отклонение метрик качества.
  • Примените setAggregation к среднеквадратической ошибке классификации и точности после повторной выборки.
  • Оптимизируйте модель по среднеквадратической ошибке классификации. Помните, что первый аргумент используется для оптимизации.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create holdout sampling
holdout <- makeResampleDesc("Holdout", predict = "both")

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, 
                       task = task, 
                       resampling = holdout, 
                       control = ctrl_random, 
                       par.set = param_set,
                       measures = list(___, ___(___, train.mean), ___, ___(___, train.mean)))
Редактировать и запускать код