為什麼要用「hyperparameter」這個聽起來特別的詞？「hyper」究竟代表什麼？在這裡，你會理解什麼是模型參數，以及它們與機器學習中的超參數有何不同。接著你會看到為什麼我們要調校它們，以及 caret 的預設設定如何自動包含超參數調校。

參數與超參數

模型參數 vs. 超參數

線性模型中的超參數

係數是什麼？

機器學習基礎複習

使用 caret 進行機器學習

重抽樣方案

在 caret 進行超參數調校

隨機梯度提升中的超參數

變更要調校的超參數數量

手動調整超參數

超參數導論

在本章中，你會學習如何使用笛卡兒網格來調校超參數。接著，你會實作更快速且更有效率的方法。你會用隨機搜尋與自適應重抽樣來調整參數網格，讓搜尋聚焦在接近最佳設定值的區域。

尋找超參數

在 caret 中進行笛卡兒網格搜尋

繪製超參數模型輸出

Grid 與 Random Search

以參數範圍進行 Grid Search

找出用於隨機搜尋的 train() 選項

使用 caret 進行隨機搜尋

自適性重採樣

Adaptive Resampling 的優點

使用 caret 進行自適應重抽樣（Adaptive Resampling）

使用 caret 進行超參數調校

在這裡，你會使用另一個具備相當便利超參數調校功能的機器學習套件。你會定義笛卡兒網格或執行隨機搜尋，並嘗試進階技巧。你也會學到如何用不同方式繪圖與評估具有不同超參數的模型。

使用 mlr 進行機器學習

使用 mlr 建立模型

使用 mlr 進行 Grid 與 Random 搜尋

使用 mlr 進行隨機搜尋（Random Search）

使用 mlr 進行超參數調校

使用 mlr 評估超參數

為什麼要評估調參結果？

評估超參數調校結果

使用 mlr 進階調參

定義進階調參控制

定義彙整後的衡量指標

設定超參數

在最後一章，你會使用 h2o——另一個具備相當便利超參數調校功能的機器學習套件。你會用它來訓練不同模型並定義笛卡兒網格；之後，你會實作隨機搜尋並使用停止條件。最後，你會學習 AutoML，這是 h2o 的介面，只要一個函式就能非常快速且方便地同時進行模型與超參數調校。

使用 h2o 進行機器學習

使用 h2o 準備建模資料

使用 h2o 進行建模

使用 h2o 進行格點與隨機搜尋

使用 h2o 進行網格搜尋

使用 h2o 進行隨機搜尋

停止條件

使用 H2O 的自動化機器學習

h2o 的 AutoML

評分 leaderboard

擷取 h2o 模型並評估效能

總結

使用 h2o 進行超參數調校

Voters test data

Knowledge test data

Bc train data

Datasets descriptions

Seeds data

Bc test data

Seeds train data

Voters orig

Breast cancer data orig

Voters data

Seeds test data

Breast cancer data

Knowledge orig

Knowledge train data

Seeds dataset

Knowledge data

Voters train data

在許多機器學習問題中，只是直接套用模型得到預測往往不夠；你會希望取得預測最精準的最佳模型。改善模型的一種方式就是進行超參數調校，也就是為該模型最佳化設定值。在本課程中，你會使用 caret、mlr 與 h2o 套件，透過網格搜尋（grid search）、隨機搜尋（random search）、自適應重抽樣（adaptive resampling）以及自動機器學習（AutoML）等方法，高效率地找出超參數的最佳組合。此外，你也會在不同資料集上調校各種監督式學習模型，例如隨機森林、梯度提升機、支援向量機，甚至是神經網路。準備好開始調校吧！

Machine Learning with caret in R

使用caret、mlr和h2o套件，透過網格搜尋、隨機搜尋、自適應重抽樣和自動機器學習尋找最佳超參數。

R 的超參數調校

機器學習科學家 在 R 中

監督式機器學習 在 R 中

重抽樣方案

R 的超參數調校

動手互動練習