Kom igångKom igång gratis

Själva justeringen

De bästa hyperparametrarna ger den bästa modellen för dina data. När du har bestämt ett justeringsrutnät behöver du träna och utvärdera modeller för varje punkt i rutnätet för att se vilken punkt som ger bäst modellprestanda.

Detta kan ta lite tid – k-faldig korsvalidering, ett ensemblestorlek på n träd och ett justeringsrutnät med t kombinationer innebär att totalt k * n * t modeller tränas.

Nu är det din tur att utföra själva justeringen! Förinstallerade är customers_train och resultaten från förra övningen, boost_spec och tunegrid_boost:

# A tibble: 27 x 3
   tree_depth    learn_rate  sample_size
        <int>         <dbl>        <dbl>
 1          1  0.0000000001         0.1 
 2          8  0.0000000001         0.1 
 3         15  0.0000000001         0.1 
 4          1  0.00000316           0.1 
 ...

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i R

Visa kurs

Övningsinstruktioner

  • Skapa sex veck av träningsdata med vfold_cv() och spara dem som folds.
  • Använd tune_grid() för att justera boost_spec med dina veck, ditt justeringsrutnät och måttet roc_auc. Spara resultaten som tune_results.
  • Visualisera resultaten för att få en överblick av justeringsprocessen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create CV folds of training data
folds <- ___

# Tune along the grid
tune_results <- ___(___,
                    still_customer ~ .,
                    resamples = ___,
                    grid = ___,
                    metrics = metric_set(___))

# Plot the results
___(___)
Redigera och kör kod