Повторення основ машинного навчання

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Налаштування гіперпараметрів у R

SkillTag.level.advancedSkillTag.label

4.8+

57 reviews

Почніть курс безкоштовно

Чому ми використовуємо дивне слово «гіперпараметр»? Що робить його «гіпер»? Тут ви зрозумієте, що таке параметри моделі і чим вони відрізняються від гіперпараметрів у машинному навчанні. Далі ви побачите, навіщо їх налаштовувати і як стандартні налаштування caret автоматично включають тюнінг гіперпараметрів.

Exercise 1: Параметри проти гіперпараметрів Exercise 2: Параметри моделі проти гіперпараметрів Exercise 3: Гіперпараметри в лінійних моделях Exercise 4: Які це коефіцієнти?Exercise 5: Повторення основ машинного навчання

Поточна вправа

Exercise 6: Машинне навчання з caret Exercise 7: Схеми повторної вибірки Exercise 8: Налаштування гіперпараметрів у caret Exercise 9: Гіперпараметри в стохастичному градієнтному бустингу Exercise 10: Зміна кількості гіперпараметрів для налаштування Exercise 11: Налаштування гіперпараметрів вручну

У цьому розділі ви навчитеся налаштовувати гіперпараметри за допомогою декартової ґратки. Потім ви реалізуєте швидші та ефективніші підходи. Ви використаєте Random Search і адаптивне повторне вибіркове оцінювання, щоб налаштувати ґратку параметрів, зосереджуючись на значеннях поблизу оптимальних налаштувань.

Exercise 1: Налаштування гіперпараметрів у caret Exercise 2: Пошук гіперпараметрів Exercise 3: Декартовий пошук по сітці в caret Exercise 4: Побудуйте графік результатів моделі з гіперпараметрами Exercise 5: Grid проти Random Search Exercise 6: Пошук по сітці з діапазоном гіперпараметрів Exercise 7: Знайдіть параметр train() для випадкового пошуку Exercise 8: Випадковий пошук у caret Exercise 9: Адаптивне повторне вибірковування Exercise 10: Переваги Adaptive Resampling Exercise 11: Адаптивне повторне вибірковування (Adaptive Resampling) з caret

Тут ви використаєте ще один пакет для машинного навчання, який має дуже зручні функції для тюнінгу гіперпараметрів. Ви визначите декартову ґратку або виконаєте Random Search, а також застосуєте розширені техніки. Ви також дізнаєтеся різні способи візуалізувати та оцінювати моделі з різними гіперпараметрами.

Exercise 1: Машинне навчання з mlr Exercise 2: Машинне навчання з mlr Exercise 3: Моделювання з mlr Exercise 4: Пошук по сітці та випадковий пошук в mlr Exercise 5: Випадковий пошук з mlr Exercise 6: Виконайте налаштування гіперпараметрів у mlr Exercise 7: Оцінювання гіперпараметрів у mlr Exercise 8: Навіщо оцінювати тюнінг?Exercise 9: Оцінювання результатів налаштування гіперпараметрів Exercise 10: Просунуте налаштування гіперпараметрів з mlr Exercise 11: Визначте розширені параметри налаштування Exercise 12: Визначення агрегованих метрик Exercise 13: Налаштування гіперпараметрів

У фінальному розділі ви використаєте h2o — ще один пакет для машинного навчання з дуже зручними функціями налаштування гіперпараметрів. Ви застосуєте його для тренування різних моделей і визначення декартової ґратки. Потім ви виконаєте Random Search із використанням критеріїв зупинки. Нарешті, ви опануєте AutoML — інтерфейс h2o, який дає змогу дуже швидко й зручно налаштовувати моделі та їхні гіперпараметри однією функцією.

Exercise 1: Машинне навчання з h2o Exercise 2: Підготуйте дані для моделювання з h2o Exercise 3: Моделювання з h2o Exercise 4: Grid і випадковий пошук з h2o Exercise 5: Пошук по сітці з h2o Exercise 6: Випадковий пошук із h2o Exercise 7: Критерії зупинки Exercise 8: Автоматичне машинне навчання з H2O Exercise 9: AutoML у h2o Exercise 10: Оцінювання таблиці лідерів Exercise 11: Витягніть моделі h2o та оцініть якість Exercise 12: Підсумок