Ottimizzazione degli iperparametri con caret

Ottimizzazione degli iperparametri in R

Dr. Shirin Elsinghorst

Senior Data Scientist

Tuning automatico degli iperparametri in caret

Random Forest 

...

Risultati di ricampionamento sui parametri di tuning:

  mtry  Accuracy   Kappa    
   2    0.9006783  0.8015924
   6    0.9126645  0.8253289
  10    0.8999389  0.7999386

L'Accuracy è stata usata per selezionare il modello ottimale con il valore più alto.
Il valore finale usato per il modello è stato mtry = 6.

Gli iperparametri dipendono dall'algoritmo

modelLookup(model)
https://topepo.github.io/caret/available-models.html

Iperparametri nelle Support Vector Machines (SVM)

fitControl <- trainControl(method = "repeatedcv", number = 3, repeats = 5)

tic()
svm_model <- train(diagnosis ~ ., 
                   data = bc_train_data, 
                   method = "svmPoly", 
                   trControl = fitControl,
                   verbose= FALSE)
toc()

3.836 sec elapsed

Iperparametri nelle Support Vector Machines (SVM)

svm_model

Support Vector Machines with Polynomial Kernel 
... 

Risultati di ricampionamento sui parametri di tuning:

  degree  scale  C     Accuracy   Kappa    
  1       0.100  1.00  0.9104803  0.8211459

L'Accuracy è stata usata per selezionare il modello ottimale con il valore più alto.
I valori finali usati per il modello sono stati degree = 1, scale = 0.1 e C = 1.

Definire gli iperparametri per il tuning automatico

tuneLength

tic()
set.seed(42)
svm_model_2 <- train(diagnosis ~ ., 
                     data = bc_train_data, 
                     method = "svmPoly", 
                     trControl = fitControl,
                     verbose = FALSE,
                     tuneLength = 5)
toc()

7.458 sec elapsed

L'Accuracy è stata usata per selezionare il modello ottimale con il valore più alto.
I valori finali usati per il modello sono stati degree = 1, scale = 1 e C = 1.

Tuning manuale degli iperparametri in caret

tuneGrid + expand.grid

hyperparams <- expand.grid(degree = 4, scale = 1, C = 1)

tic()
set.seed(42)
svm_model_3 <- train(diagnosis ~ ., 
                     data = bc_train_data, 
                     method = "svmPoly", 
                     trControl = fitControl,
                     tuneGrid = hyperparams,
                     verbose = FALSE)
toc()

0.691 sec elapsed

Tuning manuale degli iperparametri in caret

svm_model_3

Support Vector Machines with Polynomial Kernel 

...

  Accuracy   Kappa   
  0.7772947  0.554812

Il parametro di tuning 'degree' è stato mantenuto fisso a 4
Il parametro di tuning 'scale' è stato mantenuto fisso a 1
Il parametro di tuning 'C' è stato
 mantenuto fisso a 1

Tocca a te!

Ottimizzazione degli iperparametri in R