Grilles de réglage personnalisées

Machine Learning avec caret en R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Avantages et limites du réglage personnalisé

Transmettre des grilles de réglage personnalisées à l'argument tuneGrid
Avantages
- Méthode la plus souple pour ajuster des modèles caret
- Contrôle total sur la façon d'ajuster le modèle
Inconvénients
- Nécessite de connaître un peu le modèle
- Peut fortement augmenter le temps d'exécution

Exemple de réglage personnalisé

# Define a custom tuning grid
myGrid <- data.frame(mtry = c(2, 3, 4, 5, 10, 20))

# Fit a model with a custom tuning grid
set.seed(42)
model <- train(
  Class ~ ., 
  data = Sonar, 
  method = "ranger",            
  tuneGrid = myGrid
)

# Plot the results
plot(model)

Réglage personnalisé

Le graphique montre la précision en fonction de prédicteurs sélectionnés aléatoirement, avec un pic pour x égal à 10.

Passons à la pratique !

Machine Learning avec caret en R