Gelişmiş ayar kontrolünü tanımla

Model tabanlı / Bayesçi bir hiperparametre optimizasyon stratejisini nasıl tanımlarsın?

Bu egzersiz, kursun bir parçasıdır

R'de Hiperparametre Ayarlama

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R'de Hiperparametre Ayarlama

AvançadoNível de habilidade

4.8+

56 reviews

Kursa Ücretsiz Başla

Neden "hyperparameter" gibi tuhaf bir kelime kullanıyoruz? Onu “hiper” yapan ne? Burada model parametrelerinin ne olduğunu ve Machine Learning’de hiperparametrelerden neden farklı olduklarını anlayacaksın. Sonrasında neden bunları ayarlamak isteyeceğimizi ve caret'in varsayılan ayarının otomatik olarak hiperparametre ayarlamasını nasıl içerdiğini göreceksin.

Exercise 1: Parametreler ve hiperparametreler Exercise 2: Model parametreleri ve hiperparametreler Exercise 3: Doğrusal modellerde hiperparametreler Exercise 4: Katsayılar neler?Exercise 5: Machine Learning temellerine kısa bir bakış Exercise 6: caret ile Machine Learning Exercise 7: Yeniden örnekleme şemaları Exercise 8: caret ile hiperparametre ayarlama Exercise 9: Stochastic Gradient Boosting’de Hiperparametreler Exercise 10: Ayarlanacak hiperparametre sayısını değiştirme Exercise 11: Hiperparametreleri elle ayarla

Bu bölümde, Kartezyen bir ızgara ile hiperparametreleri nasıl ayarlayacağını öğreneceksin. Ardından daha hızlı ve verimli yaklaşımlar uygulayacaksın. En iyi ayarların yakın çevresindeki değerlere odaklanacak şekilde, parametre ızgarasını ayarlamak için Random Search ve uyarlamalı yeniden örnekleme kullanacaksın.

Exercise 1: caret ile hiperparametre ayarı Exercise 2: Hiperparametreleri bulma Exercise 3: caret ile Kartezyen ızgara araması Exercise 4: Hiperparametre model çıktısını görselleştir Exercise 5: Izgara ve Rastgele Arama Exercise 6: Hiperparametre aralıklarıyla ızgara araması Exercise 7: Rastgele arama için train() seçeneğini bul Exercise 8: caret ile rastgele arama Exercise 9: Uyarlanabilir yeniden örnekleme Exercise 10: Adaptif Yeniden Örneklemenin Avantajları Exercise 11: caret ile Uyarlamalı Yeniden Örnekleme

Burada, hiperparametre ayarlama işlevleri çok kullanışlı olan başka bir Machine Learning paketini kullanacaksın. Bir Kartezyen ızgara tanımlayacak veya Random Search yapacak, ayrıca ileri teknikler uygulayacaksın. Farklı hiperparametrelerle modelleri çizmenin ve değerlendirmenin farklı yollarını da öğreneceksin.

Exercise 1: mlr ile Machine Learning Exercise 2: mlr ile Machine Learning Exercise 3: mlr ile modelleme Exercise 4: mlr ile ızgara ve rastgele arama Exercise 5: mlr ile rastgele arama Exercise 6: mlr ile hiperparametre ayarı yap Exercise 7: mlr ile hiperparametreleri değerlendirme Exercise 8: Neden ayarlamayı değerlendirmelisin?Exercise 9: Hiperparametre ayarlama sonuçlarını değerlendirme Exercise 10: mlr ile ileri düzey ayarlama Exercise 11: Gelişmiş ayar kontrolünü tanımla

Geçerli egzersiz

Exercise 12: Birleştirilmiş ölçütleri tanımla Exercise 13: Hiperparametreleri ayarlama

Bu son bölümde, hiperparametre ayarlama işlevleri çok kullanışlı olan bir başka Machine Learning paketi h2o'yu kullanacaksın. Farklı modelleri eğitmek ve bir Kartezyen ızgara tanımlamak için onu kullanacaksın. Ardından, durdurma ölçütleri kullanarak bir Random Search uygulayacaksın. Son olarak, tek bir işlevle çok hızlı ve pratik model ve hiperparametre ayarlaması sağlayan bir h2o arayüzü olan AutoML'yi öğreneceksin.

Exercise 1: h2o ile Machine Learning Exercise 2: h2o ile modelleme için veriyi hazırla Exercise 3: h2o ile modelleme Exercise 4: h2o ile grid ve rastgele arama Exercise 5: h2o ile grid search Exercise 6: h2o ile rastgele arama Exercise 7: Durdurma kıstasları Exercise 8: H2O ile otomatik Machine Learning Exercise 9: h2o'da AutoML Exercise 10: Lider tablosunu puanlama Exercise 11: h2o modellerini çıkar ve performansı değerlendir Exercise 12: Kapanış