Ajustement d’hyperparamètres avec caret

Optimisation des hyperparamètres en R

Dr. Shirin Elsinghorst

Senior Data Scientist

Données d’électeurs — élection US 2016

Séparer en ensembles d’entraînement et de test

library(tidyverse)
glimpse(voters_train_data)

Observations: 6,692
Variables: 42
$ turnout16_2016       <chr> "Did not vote", "Did not vote", "Did not vote", "Did not vote", ...
$ RIGGED_SYSTEM_1_2016 <int> 2, 2, 3, 2, 2, 3, 3, 1, 2, 3, 4, 4, 4, 3, 1, 2, 2, 2, 3, 2, 1, 2, 3, 2, 1, ...
$ RIGGED_SYSTEM_2_2016 <int> 3, 3, 2, 2, 3, 3, 2, 2, 1, 2, 4, 2, 3, 2, 3, 4, 3, 2, 2, 2, 4, 1, 2, 2, 3, ...
$ RIGGED_SYSTEM_3_2016 <int> 1, 1, 3, 1, 1, 1, 2, 1, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 2, 3, 1, 3, 2, 1, 1, ...
$ RIGGED_SYSTEM_4_2016 <int> 2, 1, 2, 2, 2, 2, 2, 2, 1, 3, 3, 1, 3, 3, 1, 3, 3, 2, 1, 1, 1, 2, 1, 2, 2, ...
$ RIGGED_SYSTEM_5_2016 <int> 1, 2, 2, 2, 2, 3, 1, 1, 2, 3, 2, 2, 1, 3, 1, 1, 2, 2, 1, 2, 1, 2, 2, 2, 1, ...
$ RIGGED_SYSTEM_6_2016 <int> 1, 1, 2, 1, 2, 2, 2, 1, 2, 2, 1, 3, 1, 3, 1, 1, 1, 2, 1, 1, 1, 2, 2, 2, 1, ...
$ track_2016           <int> 2, 2, 2, 1, 2, 2, 2, 2, 2, 1, 2, 1, 2, 1, 1, 2, 2, 3, 2, 2, 2, 2, 3, 2, 2, ...
...

Entraînons un autre modèle avec caret

Gradient Boosting stochastique

library(caret)
library(tictoc)
fitControl <- trainControl(method = "repeatedcv", number = 3, repeats = 5)
tic()
set.seed(42)
gbm_model_voters <- train(turnout16_2016 ~ ., 
                   data = voters_train_data, 
                   method = "gbm", 
                   trControl = fitControl,
                   verbose = FALSE)
toc()

32.934 sec écoulées

Entraînons un autre modèle avec caret

gbm_model_voters

Gradient Boosting stochastique 
...
Résultats de rééchantillonnage selon les hyperparamètres :
  interaction.depth  n.trees  Accuracy   Kappa        
  1                   50      0.9604603  -0.0001774346
 ...
L’hyperparamètre 'shrinkage' a été maintenu à 0.1
L’hyperparamètre 'n.minobsinnode' a été maintenu à 10

L’Accuracy a servi à sélectionner le meilleur modèle (valeur la plus élevée).
Valeurs finales : n.trees = 50,
interaction.depth = 1, shrinkage = 0.1 et n.minobsinnode = 10.

Recherche en grille cartésienne avec caret

Définir une grille cartésienne d’hyperparamètres :

man_grid <-  expand.grid(n.trees = c(100, 200, 250), interaction.depth = c(1, 4, 6), 
                         shrinkage = 0.1, n.minobsinnode = 10)

fitControl <- trainControl(method = "repeatedcv", number = 3, repeats = 5)
tic()
set.seed(42)
gbm_model_voters_grid <- train(turnout16_2016 ~ ., 
                   data = voters_train_data, 
                   method = "gbm", 
                   trControl = fitControl,
                   verbose = FALSE,
                   tuneGrid = man_grid)
toc()

85.745 sec écoulées

Recherche en grille cartésienne avec caret

gbm_model_voters_grid

Gradient Boosting stochastique 
...
Résultats de rééchantillonnage selon les hyperparamètres :
  interaction.depth  n.trees  Accuracy   Kappa      
  1                  100      0.9603108  0.000912769
 ...
L’hyperparamètre 'shrinkage' a été maintenu à 0.1
L’hyperparamètre 'n.minobsinnode' a été maintenu à 10

L’Accuracy a servi à sélectionner le meilleur modèle (valeur la plus élevée).
Valeurs finales : n.trees = 100, 
interaction.depth = 1, shrinkage = 0.1 et n.minobsinnode = 10.

Tracer les modèles et hyperparamètres

plot(gbm_model_voters_grid)

plot(gbm_model_voters_grid, 
     metric = "Kappa", 
     plotType = "level")

Testez par vous-même !

Optimisation des hyperparamètres en R