实际调参

最优的超参数能为您的数据带来最好的模型。确定调参网格后，您需要在网格的每个点上训练并评估模型，以找出哪一个带来最佳性能。

这可能需要一些时间。因为在使用 k 折交叉验证、集成规模为 n 棵树、调参网格包含 t 个组合的情况下，总共需要训练 k * n * t 个模型。

现在轮到您来进行实际的调参了！已预先加载 customers_train，以及上一个练习的结果 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 
 ...

本练习是课程的一部分

R 中的树模型机器学习

查看课程

练习说明

使用 vfold_cv() 为训练数据创建 6 折，并将其保存为 folds。
使用 tune_grid() 基于您的折、调参网格以及 roc_auc 度量来调参 boost_spec。将结果保存为 tune_results。
绘制结果，用可视化展示调参过程的结果。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Create CV folds of training data
folds <- ___

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

# Plot the results
___(___)

编辑并运行代码