實際進行調參

最適的超參數能為你的資料帶來最佳模型。一旦決定了要用的調參網格，你需要在網格上的每個點訓練並評估模型，看看哪個點能得到最佳效能。

這可能會花一些時間。因為在使用 k 折交叉驗證、集成大小為 n 棵樹、且調參網格有 t 個組合時，總共需要訓練 k * n * t 個模型。

現在換你來實際調參！已預先載入 customers_train，以及上一個練習的結果 boost_spec 和 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 
 ...

本練習屬於課程

R 的樹狀模型機器學習

檢視課程

練習說明

使用 vfold_cv() 對訓練資料建立 6 折，並將結果存為 folds。
使用 tune_grid() 以你的折數、調參網格與 roc_auc 評估指標來調整 boost_spec，並將結果存為 tune_results。
繪製結果圖，以視覺化調參過程的成果。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Create CV folds of training data
folds <- ___

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

# Plot the results
___(___)

編輯並執行程式碼