Penalty hiperparametresini ayarla

penalty parametresinin lasso regresyonun özellik seçimini nasıl etkilediğini gördüğüne göre aklına şu soru gelmiş olabilir: "En iyi penalty değeri nedir?" tidymodels, penalty gibi hiperparametreler için en iyi değeri keşfetmene yardımcı olacak fonksiyonlar sağlar.

Bu egzersizde, modelin RMSE değerine göre en iyi penalty değerini bulacak ve ardından bu penalty değeriyle son bir model kuracaksın. Böylece lasso regresyonun özellik seçimini model performansı için optimize etmiş olacaksın.

lasso_recipe senin için oluşturuldu ve train de hazır. Ayrıca tidyverse ve tidymodels paketleri de yüklenmiş durumda.

Bu egzersiz

R'de Boyutsal Azaltma

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

penalty değerini ayarlayacak bir linear_reg() workflow'u tanımla.
train'den 3 katlı çapraz doğrulama örneği ve 0.001 ile 0.1 arasında 20 adet penalty değeri oluştur.
Farklı penalty değerleriyle lasso modelleri oluştur.
Penalty değerine göre model performansını (RMSE) görselleştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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")

Kodu Düzenle ve Çalıştır