ПочатиПочніть безкоштовно

Визначення агрегованих метрик

Тепер ви визначатимете метрики якості. Набір даних knowledge_train_data уже завантажено, так само як і пакети mlr та tidyverse. Також було виконано такий код:

task <- makeClassifTask(data = knowledge_train_data, 
                        target = "UNS")

lrn <- makeLearner(cl = "classif.nnet", fix.factors.prediction = TRUE)

param_set <- makeParamSet(
  makeIntegerParam("size", lower = 1, upper = 5),
  makeIntegerParam("maxit", lower = 1, upper = 300),
  makeNumericParam("decay", lower = 0.0001, upper = 1)
)

ctrl_random <- makeTuneControlRandom(maxit = 10)

Ця вправа є частиною курсу

Налаштування гіперпараметрів у R

Переглянути курс

Інструкції до вправи

  • Використайте функцію setAggregation, яка агрегує стандартне відхилення метрик якості.
  • Застосуйте setAggregation до середньої помилки класифікації та точності після повторної вибірки.
  • Оптимізуйте вашу модель за середньою помилкою класифікації. Пам'ятайте, що для оптимізації використовується перший аргумент.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create holdout sampling
holdout <- makeResampleDesc("Holdout", predict = "both")

# Perform tuning
lrn_tune <- tuneParams(learner = lrn, 
                       task = task, 
                       resampling = holdout, 
                       control = ctrl_random, 
                       par.set = param_set,
                       measures = list(___, ___(___, train.mean), ___, ___(___, train.mean)))
Редагувати та запускати код