Justera hyperparametern penalty

Nu när du har sett hur parametern penalty påverkar lasso-regressionens val av särdrag kanske du undrar: "Vilket är det bästa värdet för penalty?" tidymodels innehåller funktioner för att utforska de bästa värdena för hyperparametrar som penalty.

I den här övningen ska du hitta det bästa värdet för penalty baserat på modellens RMSE och sedan anpassa en slutlig modell med det värdet. Det här optimerar lasso-regressionens särdragsurval för modellens prestanda.

lasso_recipe har redan skapats åt dig och train är också tillgänglig. Paketen tidyverse och tidymodels har också laddats in.

Den här övningen är en del av kursen

Dimensionsreduktion i R

Visa kurs

Övningsinstruktioner

Definiera ett linear_reg()-workflow som justerar penalty.
Skapa ett 3-faldigt korsvalideringssampel från train och en sekvens med 20 penalty-värden i intervallet 0,001 till 0,1.
Skapa lasso-modeller med olika penalty-värden.
Visualisera modellens prestanda (RMSE) i förhållande till penalty-värdet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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")

Redigera och kör kod