Gridsökning med h2o
Nu när du har tränat en Random Forest-modell med h2o kan du tillämpa samma principer på andra algoritmer, till exempel djupinlärning. I den här övningen ska du använda gridsökning för att finjustera en modell.
Kom ihåg att gradient boosting-modeller har hyperparametern learn_rate, medan djupinlärningsmodeller använder hyperparametern rate.
Biblioteket h2o har redan laddats in och initierats åt dig.
Den här övningen är en del av kursen
Hyperparameterjustering i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define hyperparameters
dl_params <- ___(___ = c(0.001, 0.005, 0.01))