Videoda gördüğün gibi, glmnet modeli aslında aynı anda birçok modeli uydurur (paketin harika özelliklerinden biri). Bunu, modeldeki cezalandırma miktarını kontrol eden çok sayıda lambda değeri vererek kullanabilirsin. train() yeterince akıllıdır; her alpha değeri için yalnızca bir model uydurur ve tüm lambda değerlerini aynı anda, eşzamanlı uyum için geçirir.

glmnet modelleri için en sevdiğim ayar ızgarası şudur:

expand.grid(
  alpha = 0:1,
  lambda = seq(0.0001, 1, length = 100)
)

Bu ızgara, çok küçükten çok büyüğe kadar geniş bir lambda aralığını (tam 100 değer) araştırır. (Maksimum lambda değerini 10’a çıkarabilirsin, ama bu egzersizde 1 iyi bir üst sınır.)

Daha az modeli keşfetmek istersen daha kısa bir lambda dizisi kullanabilirsin. Örneğin, lambda = seq(0.0001, 1, length = 10) her bir alpha değeri için 10 model uydurur.

Bu tuneGrid ile iki tür cezalı modeli de incelersin: ridge regression ve lasso regression. alpha = 0 saf ridge regression, alpha = 1 ise saf lasso regression’dır. 0 ile 1 arasında bir alpha kullanarak iki modelin karışımını (yani bir elastic net) uydurabilirsin. Örneğin, alpha = 0.05 %95 ridge regression ve %5 lasso regression olur.

Bu soruda sadece 2 uç durumu – saf ridge ve saf lasso regression – aralarındaki farkları göstermek amacıyla inceleyeceksin.

Neden özel bir ayar ızgarası?

R ile caret kullanarak Machine Learning

Uygulamalı etkileşimli egzersiz