glmnet med anpassat justeringsrutnät

Maskininlärning med caret i R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Anpassad justering av glmnet-modeller

2 justeringsparametrar: alpha och lambda
För ett enskilt alpha anpassas alla lambda-värden samtidigt
Många modeller till "priset" av en

Exempel: justering av glmnet

# Make a custom tuning grid
myGrid <- expand.grid(
  alpha = 0:1, 
  lambda = seq(0.0001, 0.1, length = 10)
)

# Fit a model
set.seed(42)
model <- train(
  y ~ ., 
  overfit, 
  method = "glmnet", 
  tuneGrid = myGrid, 
  trControl = myControl
)

# Plot results
plot(model)

Jämför modeller visuellt

Bilden visar ett linjediagram över ROC-kurvan mot regulariseringsparametern för två värden på blandningsprocenten: 0 och 1. ROC maximeras när blandningsprocenten är 1 och regulariseringsparametern är större än 0,1.

Fullständig regulariseringsväg

plot(model$finalModel)

Bilden visar ett anpassat linjediagram för glmnet-modeller. Många koefficientslinjer visas mot L1-normen. När L1-normen ökar blir koefficienternas spridning större.

Nu kör vi en övning!

Maskininlärning med caret i R