Hyperparameterjustering

Modellering med tidymodels i R

David Svancer

Data Scientist

Hyperparametrar

Modellparametrar vars värden sätts före träning och styr modellens komplexitet

parsnip beslutsträd

cost_complexity
- Straffar ett stort antal terminalnoder
tree_depth
- Längsta väg från rot till terminalnod
min_n
- Minsta antal datapunkter i en nod för vidare uppdelning

Rektangulära regioner i beslutsträdsmodell

Standardvärden för hyperparametrar

Funktionen decision_tree() anger standardvärden för hyperparametrar

cost_complexity är satt till 0,01
tree_depth är satt till 30
min_n är satt till 20

Dessa är inte alltid optimala för alla datamängder

Hyperparameterjustering
- Processen att använda korsvalidering för att hitta den optimala uppsättningen hyperparametervärden

dt_model <- decision_tree() %>% 
  set_engine('rpart') %>% 
  set_mode('classification')

Markera hyperparametrar för justering

Funktionen tune() från paketet tune

Markera hyperparametrar för justering genom att sätta dem till tune() i parsnip-modellspecifikationen
Skapar ett modellobjekt med justeringsparametrar
- Signalerar till andra funktioner att dessa behöver optimeras

dt_tune_model <- decision_tree(cost_complexity = tune(),
                               tree_depth = tune(),
                               min_n = tune()) %>% 
  set_engine('rpart') %>% 
  set_mode('classification')


dt_tune_model

Decision Tree Model Specification (classification)

Main Arguments:
  cost_complexity = tune()
  tree_depth = tune()
  min_n = tune()

Computational engine: rpart

Skapa ett justeringsarbetsflöde

workflow-objekt kan enkelt uppdateras

Tidigare leads_wkfl
- Feature engineering-steg för lead scoring-data och beslutsträdsmodell med standardhyperparametrar
Skicka leads_wkfl till update_model() och ange ny beslutsträdsmodell med justeringsparametrar

leads_tune_wkfl <- leads_wkfl %>% 

  update_model(dt_tune_model)


leads_tune_wkfl

== Workflow ===============
Preprocessor: Recipe
Model: decision_tree()
-- Preprocessor -----------
3 Recipe Steps
* step_corr()
* step_normalize()
* step_dummy()
-- Model ------------------
Decision Tree Model Specification (classification)
Main Arguments: cost_complexity = tune()
                tree_depth = tune()
                min_n = tune()
Computational engine: rpart

Rutnätssökning

Vanligaste metoden för att justera hyperparametrar

Generera ett rutnät med unika kombinationer av hyperparametervärden
- För varje kombination används korsvalidering för att skatta modellens prestanda
Välj den kombination som ger bäst prestanda

cost_complexity	tree_depth	min_n
0.001	20	35
0.001	20	15
0.001	35	35
0.001	35	15
0.2	20	35
...	...	...

Identifiera hyperparametrar

Funktionen parameters() från paketet dials

Tar ett parsnip-modellobjekt
Returnerar en tibble med de hyperparametrar som markerats av tune(), om sådana finns
- Används för att generera justeringsrutnät med paketet dials

parameters(dt_tune_model)

Collection of 3 parameters for tuning

  identifier            type     object
cost_complexity  cost_complexity nparam[+]
tree_depth       tree_depth      nparam[+]
min_n            min_n           nparam[+]

Slumpmässigt rutnät

Generera slumpmässiga kombinationer

Den här metoden ger ofta bättre möjligheter att hitta optimala hyperparametervärden

Funktionen grid_random()

Första argumentet är resultatet av funktionen parameters()
size anger antalet slumpmässiga kombinationer som ska genereras
- Kör set.seed() före grid_random() för reproducerbarhet

set.seed(214)
grid_random(parameters(dt_tune_model),

            size = 5)

# A tibble: 5 x 3
  cost_complexity  tree_depth min_n
            <dbl>      <int>  <int>
1    0.0000000758        14     39
2    0.0243               5     34
3    0.00000443          11      8
4    0.000000600          3      5
5    0.00380              5     36

Spara ett justeringsrutnät

Första steget i hyperparameterjustering

Skapa och spara ett justeringsrutnät
dt_grid innehåller 5 slumpmässiga kombinationer av hyperparametervärden

set.seed(214)
dt_grid <- grid_random(parameters(dt_tune_model),
                       size = 5)


dt_grid

# A tibble: 5 x 3
  cost_complexity  tree_depth min_n
            <dbl>      <int>  <int>
1    0.0000000758        14     39
2    0.0243               5     34
3    0.00000443          11      8
4    0.000000600          3      5
5    0.00380              5     36

Hyperparameterjustering med korsvalidering

Funktionen tune_grid() utför hyperparameterjustering

Tar följande argument:

workflow- eller parsnip-modell
Korsvalideringsobjekt, resamples
Justeringsrutnät, grid
Valfri metrics-funktion

Returnerar en tibble med resultat

.metrics
- Listkolumn med resultat för varje fold

dt_tuning <- leads_tune_wkfl %>%

             tune_grid(resamples = leads_folds,

                       grid = dt_grid,

                       metrics = leads_metrics)

dt_tuning

# Tuning results
# 10-fold cross-validation using stratification 
# A tibble: 10 x 4
   splits             id       .metrics         ..
   <list>            <chr>      <list>          ..
<split [896/100]>   Fold01   <tibble [15 x 7]>  ..
................    ......   ...............    ..
<split [897/99]>    Fold09   <tibble [15 x 7]>  ..
<split [897/99]>    Fold10   <tibble [15 x 7]>  ..

Utforska justeringsresultat

Funktionen collect_metrics() ger sammanfattade resultat som standard

Genomsnittliga skattade måttvärden för alla folds per kombination

dt_tuning %>% 
  collect_metrics()

# A tibble: 15 x 9
   cost_complexity tree_depth min_n .metric .estimator  mean     n std_err .config
             <dbl>      <int> <int> <chr>   <chr>      <dbl> <int>   <dbl> <chr>  
 1    0.0000000758         14    39 roc_auc binary     0.827    10 0.0147  Model1 
 2    0.0000000758         14    39 sens    binary     0.728    10 0.0277  Model1 
 3    0.0000000758         14    39 spec    binary     0.865    10 0.0156  Model1 
 4    0.0243                5    34 roc_auc binary     0.823    10 0.0147  Model2 
 .    ......               ..    .. ....    ......     .....    .. .....   ......
14    0.00380               5    36 sens    binary     0.747    10 0.0209  Model5 
15    0.00380               5    36 spec    binary     0.858    10 0.0161  Model5

Nu kör vi en övning!

Modellering med tidymodels i R