BaşlayınÜcretsiz başlayın

Gerçek ayarlama

En iyi hiperparametreler, verin için en iyi modeli oluşturur. Bir ayar ızgarasına karar verdiğinde, her ızgara noktasında modelleri eğitip değerlendirmen gerekir ki hangi noktanın en iyi model performansını verdiğini görebilesin.

Bu biraz zaman alabilir; çünkü k-katlı çapraz doğrulama, n ağaçlık bir ansambl ve t kombinasyonlu bir ayar ızgarası kullandığında toplamda k * n * t model eğitilir.

Sıra sende: gerçek ayarlamayı yap! Önceden yüklenenler: customers_train ve önceki egzersizin sonuçları olan boost_spec ve 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 
 ...

Bu egzersiz, kursun bir parçasıdır

R ile Ağaç Tabanlı Modellerle Machine Learning

Kursa Göz Atın

Egzersiz talimatları

  • Eğitim verilerinden vfold_cv() kullanarak altı kat oluştur ve folds olarak kaydet.
  • tune_grid() ile boost_spec'i katların, ayar ızgaran ve roc_auc metriğiyle ayarla. Sonuçları tune_results olarak kaydet.
  • Sonuçları görselleştirerek ayarlama sürecinin çıktısını çiz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create CV folds of training data
folds <- ___

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

# Plot the results
___(___)
Kodu Düzenle ve Çalıştır