为什么会有"hyperparameter（超参数）"这个听起来有点奇怪的词？它"超"在哪里？本节将帮助您理解什么是模型参数，以及它们与机器学习中的超参数有何不同。随后，您将了解为什么需要调优它们，以及 caret 的默认设置如何自动包含超参数调优。

参数 vs 超参数

模型参数 vs. 超参数

线性模型中的超参数

系数是多少？

机器学习基础回顾

使用 caret 进行机器学习

重采样方案

在 caret 中进行超参数调优

随机梯度提升中的超参数

更改要调优的超参数数量

手动调优超参数

超参数简介

本章将学习如何使用笛卡尔网格来调优超参数。接着，您会实现更快、更高效的方法。您将使用随机搜索和自适应重采样来调整参数网格，把计算重点放在最优设定附近的取值范围。

查找超参数

在 caret 中进行笛卡尔网格搜索

绘制超参数模型输出

网格搜索 vs. 随机搜索

包含超参数范围的网格搜索

查找用于随机搜索的 train() 选项

在 caret 中进行随机搜索

自适应重采样

自适应重采样的优势

在 caret 中进行自适应重采样

使用 caret 进行超参数调优

本章将使用另一款具有便捷超参数调优功能的机器学习包。您将定义笛卡尔网格或执行随机搜索，并尝试更高级的技术。您还将学习用不同方式可视化并评估带有不同超参数的模型。

使用 mlr 进行机器学习

使用 mlr 建模

使用 mlr 进行网格搜索与随机搜索

使用 mlr 进行随机搜索

使用 mlr 进行超参数调优

使用 mlr 评估超参数

为什么要评估调参结果？

评估超参数调优结果

使用 mlr 进行高级调参

定义高级调参控制

定义聚合度量

设置超参数

在最后一章，您将使用 h2o——另一款具备便捷超参数调优功能的机器学习包。您将用它训练不同模型并定义笛卡尔网格。然后，您将执行随机搜索并使用停止准则。最后，您将学习 AutoML，这是一个 h2o 接口，只需一个函数即可非常快速、便捷地完成模型与超参数调优。

使用 h2o 进行机器学习

使用 h2o 为建模准备数据

使用 h2o 建模

使用 h2o 进行网格搜索与随机搜索

使用 h2o 进行网格搜索

使用 h2o 进行随机搜索

停止条件

使用 H2O 的自动化机器学习

h2o 中的 AutoML

排行榜评分方式

提取 h2o 模型并评估性能

总结

使用 h2o 进行超参数调优

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

在许多机器学习任务中，直接运行一个现成模型并得到预测还不够；您需要的是预测更准确的最佳模型。改进模型的一种方法是进行超参数调优，也就是为特定模型优化其设置。本课程将带您使用 caret、mlr 和 h2o 等包，通过网格搜索、随机搜索、自适应重采样以及自动机器学习（AutoML）等方法，高效地找到超参数的最优组合。此外，您还将使用不同数据集来调优多种有监督学习模型，例如随机森林、梯度提升机、支持向量机，甚至神经网络。准备好开始调优吧！

Machine Learning with caret in R

使用caret、mlr和h2o包，通过网格搜索、随机搜索、自适应重采样和自动机器学习寻找最佳超参数。

R 中的超参数调优

学习如何调优模型的超参数，以获得最佳预测结果。

机器学习科学家 在 R 中

监督机器学习 在 R 中

在 caret 中进行自适应重采样

R 中的超参数调优

交互式实操练习