Grilles d'ajustement personnalisées

Machine Learning avec caret en R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Avantages et limites des ajustements personnalisés

Transmettre des grilles d'ajustement personnalisées à l'argument tuneGrid
Avantages
- Méthode la plus souple pour ajuster des modèles caret
- Contrôle complet de l'ajustement du modèle
Inconvénients
- Nécessite de connaître un peu le modèle
- Peut fortement accroître le temps d'exécution

Exemple d'ajustement personnalisé

# Définir une grille d'ajustement personnalisée
myGrid <- data.frame(mtry = c(2, 3, 4, 5, 10, 20))

# Ajuster un modèle avec une grille personnalisée
set.seed(42)
model <- train(
  Class ~ ., 
  data = Sonar, 
  method = "ranger",            
  tuneGrid = myGrid
)

# Tracer les résultats
plot(model)

Ajustement personnalisé

Le graphique montre la précision en fonction de prédicteurs choisis aléatoirement, avec un sommet à x égal à 10.

Passons à la pratique !

Machine Learning avec caret en R