Varför använder vi det märkliga ordet "hyperparameter"? Vad gör det hyper? Här får du förståelse för vad modellparametrar är och varför de skiljer sig från hyperparametrar inom maskininlärning. Du ser också varför vi vill justera dem och hur carets standardinställningar automatiskt inkluderar hyperparameterjustering.

Parametrar och hyperparametrar

Modellparametrar vs. hyperparametrar

Hyperparametrar i linjära modeller

Vad är koefficienterna?

Repetition av grunderna i maskininlärning

Maskininlärning med caret

Resamplingscheman

Hyperparameterjustering i caret

Hyperparametrar i Stochastic Gradient Boosting

Ändra antalet hyperparametrar att finjustera

Justera hyperparametrar manuellt

Introduktion till hyperparametrar

I det här kapitlet lär du dig att justera hyperparametrar med ett kartesiskt grid. Sedan implementerar du snabbare och mer effektiva metoder. Du använder slumpmässig sökning och adaptiv omsampling för att justera parametergridet på ett sätt som fokuserar på värden i närheten av de optimala inställningarna.

Hitta hyperparametrar

Kartesisk grid-sökning i caret

Visualisera modellresultat för hyperparametrar

Grid Search vs. Random Search

Rutnätssökning med ett intervall av hyperparametrar

Hitta alternativet i train() för slumpmässig sökning

Slumpmässig sökning med caret

Adaptiv återsampling

Fördelar med Adaptive Resampling

Adaptiv resampning med caret

Hyperparameterjustering med caret

Här använder du ett annat paket för maskininlärning med mycket praktiska funktioner för hyperparameterjustering. Du definierar ett kartesiskt grid eller utför slumpmässig sökning, samt tillämpar avancerade tekniker. Du lär dig också olika sätt att visualisera och utvärdera modeller med olika hyperparametrar.

Maskininlärning med mlr

Modellering med mlr

Grid- och slumpsökning med mlr

Slumpsökning med mlr

Utför hyperparameterjustering med mlr

Utvärdera hyperparametrar med mlr

Varför utvärdera tuning?

Utvärdera resultat från hyperparameterjustering

Avancerad tuning med mlr

Definiera avancerade tuningkontroller

Definiera aggregerade mått

Ange hyperparametrar

Hyperparameterjustering med mlr

I det här avslutande kapitlet använder du h2o, ett annat paket för maskininlärning med mycket praktiska funktioner för hyperparameterjustering. Du tränar olika modeller och definierar ett kartesiskt grid. Sedan implementerar du en slumpmässig sökning med stoppkriterier. Slutligen lär du dig AutoML – ett gränssnitt i h2o som möjliggör snabb och smidig modell- och hyperparameterjustering med bara en funktion.

Maskininlärning med h2o

Förbered data för modellering med h2o

Modellering med h2o

Grid- och slumpsökning med h2o

Gridsökning med h2o

Slumpmässig sökning med h2o

Stoppkriterier

Automatisk maskininlärning med H2O

AutoML i h2o

Poängsätta ledartavlan

Extrahera h2o-modeller och utvärdera prestanda

Avslutning

Hyperparameterjustering med h2o

Voters test data

Knowledge test data

Bc train data

Datasets descriptions

Seeds data

Bc test data

Seeds train data

Voters orig

Breast cancer data orig

Voters data

Seeds test data

Breast cancer data

Knowledge orig

Knowledge train data

Seeds dataset

Knowledge data

Voters train data

För många maskininlärningsproblem räcker det inte att bara köra en modell direkt och få en prediktion – du vill ha den bästa modellen med den mest träffsäkra prediktionen. Ett sätt att förbättra din modell är hyperparameterjustering, vilket innebär att du optimerar inställningarna för just den modellen. I den här kursen arbetar du med paketen caret, mlr och h2o för att hitta den optimala kombinationen av hyperparametrar på ett effektivt sätt med hjälp av grid search, slumpmässig sökning, adaptiv omsampling och automatisk maskininlärning (AutoML). Du kommer även att arbeta med olika datamängder och justera olika övervakade inlärningsmodeller, till exempel random forests, gradient boosting machines, support vector machines och neurala nätverk. Dags att börja justera!

Machine Learning with caret in R

Använd caret, mlr och h2o för att hitta optimala hyperparametrar med olika sökmetoder och AutoML.

Hyperparameterjustering i R

Lär dig hur du justerar din modells hyperparametrar för att få bästa möjliga prediktiva resultat.

Avslutning

Create Your Free Account