Bắt đầu ngayBắt đầu miễn phí

Tinh chỉnh thực tế

Các siêu tham số tốt nhất sẽ tạo ra mô hình tốt nhất cho dữ liệu của bạn. Khi đã quyết định lưới tinh chỉnh, bạn cần huấn luyện và đánh giá mô hình tại từng điểm trong lưới để xem điểm nào cho hiệu năng tốt nhất.

Việc này có thể tốn thời gian, vì với k-fold cross-validation, kích thước ensemble là n cây, và lưới tinh chỉnh có t kết hợp, tổng số mô hình cần huấn luyện sẽ là k * n * t.

Đến lượt bạn thực hiện tinh chỉnh thực tế! Đã nạp sẵn customers_train và kết quả từ bài trước, boost_spec và 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 
 ...

Bài tập này là một phần của khóa học

Machine Learning với Mô hình Dựa trên Cây trong R

Xem khóa học

Hướng dẫn bài tập

  • Tạo 6 fold từ dữ liệu huấn luyện bằng vfold_cv() và lưu thành folds.
  • Dùng tune_grid() để tinh chỉnh boost_spec với các fold của bạn, lưới tinh chỉnh của bạn, và metric roc_auc. Lưu kết quả thành tune_results.
  • Vẽ biểu đồ kết quả để trực quan hóa quá trình tinh chỉnh.

Bài tập tương tác thực hành trực tiếp

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

# Create CV folds of training data
folds <- ___

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

# Plot the results
___(___)
Chỉnh sửa và Chạy Mã