Justera hyperparametrar manuellt
Om du redan vet vilka hyperparametervärden du vill använda kan du också definiera hyperparametrar manuellt som ett rutnät. Gå till modelLookup("gbm") eller sök efter gbm i listan över tillgängliga modeller i caret och titta under Tuning Parameters.
Obs: Precis som tidigare har bc_train_data och biblioteken caret och tictoc förinslästs.
Den här övningen är en del av kursen
Hyperparameterjustering i R
Övningsinstruktioner
- Definiera följande hyperparameterrutnät för en Gradient Boosting Model: antal träd som 200, trädkomplexitet som 1, inlärningshastighet som 0,1 och minsta antal träningsdataexempel i en nod för att påbörja uppdelning som 10.
- Tillämpa rutnätet i funktionen
train()icaret.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define hyperparameter grid.
hyperparams <- expand.grid(___ = 200,
___ = 1,
___ = 0.1,
___ = 10)
# Apply hyperparameter grid to train().
set.seed(42)
gbm_model <- train(diagnosis ~ .,
data = bc_train_data,
method = "gbm",
trControl = trainControl(method = "repeatedcv", number = 5, repeats = 3),
verbose = FALSE,
___ = hyperparams)