Bắt đầu ngayBắt đầu miễn phí

Định nghĩa các thước đo tổng hợp

Bây giờ, bạn sẽ định nghĩa các thước đo hiệu suất. Bộ dữ liệu knowledge_train_data đã được tải sẵn cho bạn, cùng với các gói mlr và tidyverse. Và đoạn mã sau cũng đã được chạy:

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)

Bài tập này là một phần của khóa học

Tinh chỉnh siêu tham số trong R

Xem khóa học

Hướng dẫn bài tập

  • Dùng hàm setAggregation, hàm này tổng hợp độ lệch chuẩn của các chỉ số hiệu suất.
  • Áp dụng setAggregation cho lỗi phân loại sai trung bình và độ chính xác sau khi lấy mẫu lại.
  • Tối ưu hóa mô hình theo lỗi phân loại sai trung bình. Hãy nhớ rằng đối số đầu tiên sẽ được dùng để tối ưu.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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)))
Chỉnh sửa và Chạy Mã