在mlr中调优h2o超参数？
在mlr中调优h2o超参数，可以通过以下步骤进行：
- 导入必要的库和数据：首先，导入mlr和h2o库，并加载需要进行调优的数据集。
library(mlr)
library(h2o)
# 加载数据集
data(iris)- 将数据转换为h2o格式：由于mlr和h2o使用不同的数据格式，需要将数据转换为h2o格式。
# 初始化h2o
h2o.init()
# 将数据转换为h2o格式
h2o_data <- as.h2o(iris)- 定义超参数搜索空间：根据需要调优的超参数，定义一个搜索空间。
# 定义超参数搜索空间
param_space <- list(
learn_rate = makeNumericParam("learn_rate", lower = 0.01, upper = 0.1),
max_depth = makeIntegerParam("max_depth", lower = 1, upper = 10)
)- 定义评估指标：选择适当的评估指标来衡量模型性能。
# 定义评估指标
measure <- makeMeasure("classif.ce")- 定义调优方法：选择适当的调优方法来搜索最佳超参数组合。
# 定义调优方法
ctrl <- makeTuneControlRandom(maxit = 100)- 定义学习算法和任务：选择适当的学习算法和任务。
# 定义学习算法
learner <- makeLearner("classif.h2o.randomForest")
# 定义任务
task <- makeClassifTask(data = h2o_data, target = "Species")- 运行调优过程：使用定义的超参数搜索空间、评估指标、调优方法、学习算法和任务，运行调优过程。
# 运行调优过程
res <- tuneParams(learner = learner, task = task, resampling = cv3, measures = measure,
control = ctrl, par.set = param_space)- 获取最佳超参数组合：从调优结果中获取最佳超参数组合。
# 获取最佳超参数组合
best_params <- getTuneResult(res)$x- 使用最佳超参数训练模型：使用最佳超参数组合训练模型。
# 使用最佳超参数训练模型
model <- train(learner = learner, task = task, subset = res$opt.path[[1]]$x)以上是在mlr中调优h2o超参数的步骤。在实际应用中，可以根据具体需求和数据集的特点进行调优过程的定制化。对于更多关于mlr和h2o的信息，可以参考腾讯云相关产品和文档。
参考链接：
- mlr官方文档：https://mlr.mlr-org.com/
- h2o官方文档：https://docs.h2o.ai/
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
相关·内容
1回答
调整mlr中的分类阈值
、、、
我正在使用mlr包训练一个朴素的Bayes模型。
我想调整分类的阈值(只有阈值)。为这样做提供了一个示例，同时还在嵌套的CV设置中进行额外的超参数调优。实际上，我不想在找到最优阈值的同时调优任何其他(超级)参数。
在讨论的基础上，我设置了一个makeTuneWrapper()对象，并将另一个参数(laplace)设置为一个固定值(1)，然后在嵌套的CV-设置中运行重新采样()。
nbayes.lrn <- makeLearner("classif.naiveBayes", predict.type = "prob")
nbayes.lrn
nbayes.
浏览 0提问于2019-02-12得票数 1
回答已采纳
我在R中使用插入符号，我的最终目标是提交不同的数据来分离preProcess主成分，然后将主成分放在一起进行岭回归训练。但是，请参阅下面的示例代码，其中我在preProcess内部和外部/列车前函数中应用主成分分析时没有得到相同的结果。
为什么我得不到同样的结果？
怎样才能以最好的方式实现我的主要目标？
#Sample data
s <- c(-0.412440717220306, -0.459911376237869, -0.234769582748413, -0.332282930612564, -0.486973077058792, -0.3014804422855
浏览 3提问于2019-12-23得票数 5
回答已采纳
在生存分析方面，我使用了R.
我的数据集包括39个特性(连续和因子，我将其全部转换为整数和数字)和目标(时间和状态)。
我想调优超参数: num_nodes，在Param_set中。
这是一个默认值为32,32的32,32类参数。
所以我决定改变它。
我编写了以下代码，用于使用“嵌套交叉验证”优化surv.deephit学习者的超参数(10个内折叠和3个外折叠)。
#task definition
task.mlr <- TaskSurv$new(id = "id", backend = main.dataset, event = 'status', ti
浏览 0提问于2021-04-16得票数 1
回答已采纳
我目前试图建立多个输出的MLP。
对于单个输出MLP，我通常使用H2o包实现，它具有很好的随机网格搜索功能。由于H2o不支持多个输出，所以我切换到mxnet包。
现在，我试图找到一种方式来调整我的参数为我的MLP。我在R中找不到任何包，它为多个输出提供参数调优，并允许我使用mxnet。
您是否知道任何包，或者您是否有用于超参数搜索的自实现函数？谢谢!
编辑以引起评论：
多输出意味着多个响应变量(MIMO问题)。例如，我研究的任务之一是RRSB分布的预测。RRSB分布有两个参数: n，x。我希望这能澄清你的问题。
浏览 0提问于2017-09-26得票数 1
1回答
XGBoost有相当多的超参数需要调优:最大深度、最小子权重、迭代次数、eta、伽马、考虑的列百分比和考虑的样本百分比。
在一个巨大的网格搜索中同时调优所有这些在计算上是不可行的。因此，这些都必须按照某种顺序进行。
你有什么建议吗？
目前，我首先把Eta和N次迭代调到一起，然后是最大深度和MCW一起，然后是集中样本和行样本，最后是伽马。
你有别的主意吗？如果你像这样按块的方式调整它，你如何决定在一开始修复超参数的值？例如，在调整Eta等时，您设置了最大深度和MCW吗？
浏览 0提问于2022-02-16得票数 0
我创建了一个自定义的docker容器来在Amazon Sagemaker上运行Catboost，遵循这个演示(https://github.com/aws-samples/sagemaker-byo-catboost-container-demo/blob/master/Catboost_container_for_SageMaker.ipynb)。我现在想使用这个自定义容器进行超参数调优，但这不是内置或预建的Sagemaker容器，因此我不确定是否可以或如何使用自定义容器在Sagemaker上创建超参数调优作业。我没有找到任何关于使用自定义docker容器来做HYT的官方文档或官方示例。
浏览 35提问于2021-01-03得票数 4
2回答
尽管做了/使用过几次，但我仍然对使用验证集进行超参数调优感到有点困惑。
据我所知，我选择一个模型，对训练数据进行训练，对训练数据进行性能评估，然后对验证数据进行超参数整定评估模型性能，然后选择最佳模型并对测试数据进行测试。
为了做到这一点，我基本上需要随机选择一个模型来训练数据。我不明白的是，我不知道哪一种模式在一开始会是最好的。假设我认为神经网络和随机森林可能对我的问题有用。那么，为什么我不开始搜索一个一般的，例如，神经网络体系结构，随机森林体系结构，并从一开始，评估哪一个模型是最好的一小部分数据变化的所有超参数无论如何。
基本上为什么要选择一个基于人的“猜测”来做训练，然后在验证阶段进行超
浏览 0提问于2022-05-28得票数 0
1回答
自动编码器层
、、
我使用AutoEncoder来检测异常，我的数据集是一个有10列(包括目标标签)的数值数据集，我不知道在我的例子中，我应该为编码器和解码器中的第一个参数选择哪些数字，因为我看到的所有例子都是图像。
我的代码：
class AnomalyDetector(Model):
def __init__(self):
super(AnomalyDetector, self).__init__()
self.encoder = tf.keras.Sequential([
layers.Dense(32, activation="relu"),
浏览 0提问于2022-12-03得票数 0
我正在使用h2o包，并试图使用下面的代码创建一个学习者
install.packages("h2o")
library("h2o")
h2o.learner <- makeLearner("regr.h2o.deeplearning",predict.type = "response")
但我发现了这个错误
> h2o.learner <- makeLearner("regr.h2o.deeplearning",predict.type = "response")
Error: c
浏览 0提问于2017-05-02得票数 1
回答已采纳
1回答
基于R的多类文本分类
、、、、
我正在研究一个多类文本分类问题。我已经为同样的建立了梯度提升模型。
关于数据集的：
数据集有两列："Test_name“和"Description”。
Test_Name列中有6个标签，" description“列中有相应的描述。
My the the problem
数据准备
创建用于描述的单词向量。
使用单词向量构建一个语料库。
预处理任务，如删除数字，空格，停止词和转换为小写.
构建文档术语矩阵(dtm)。
从上面的dtm中删除稀疏的单词。
上述步骤导致一个计数频率矩阵，显示其编码应答列中每个字的频
浏览 1提问于2018-02-05得票数 0
2回答
我正在运行一个4倍交叉验证的超参数调优使用sklearn的'cross_validate‘和'KFold’函数。假设我的训练数据集已经被洗牌了，那么在分割成批/折叠(即KFold函数中的洗牌参数)之前，我是否应该对每一次超调参数调优重新洗牌数据？我注意到，超参数调优过程的结果将是不同的，这取决于在将数据分割成折叠之前对数据进行洗牌。
我假设，如果结果取决于洗牌，那么模型就不稳定了。这是正确的吗？然而，这也可能对模型“不公平”，因为结果是不可复制的，因为每次我运行交叉验证时，每个折叠的数据都是不同的(也就是说，每个超参数组合都在完全不同的褶皱上进行评估。例如，第一次调优迭代的折叠
浏览 0提问于2020-02-27得票数 3
回答已采纳
我在R中使用了H2O包，并试图通过gbm模型来提高我的分数。我尝试使用训练集和有效集进行网格搜索。但是当它完成时，两组之间的对数损失曲线是非常不同的。事实上，我的训练集存在过拟合，因此精度高于我的有效集
Here on H2O, my gbm's parameters :
ntrees = 100,
max_depth = 3,
learn_rate = 0.01,
nfolds = 5,
seed = 1234
你能给我一些解决问题的方法吗？
浏览 7提问于2018-08-24得票数 0
1回答
我有许多预先训练过的模型有不同的层数(模型不是顺序的)。对于这些模型，训练数据有一个形状(1，1,103)，输出是0到9之间的类标签。
我加载了这些保存的模型，将所有层设置为不可训练的。我将这些模型用于新的体系结构，如下所示：
inp = keras.layers.Input(shape=(1,1,103), name = "new_input")
out_1 = model_1(inp) # model_1 is the name of variable where I loaded trained model
out_2 = model_2(inp)
out_3 = mo
浏览 11提问于2022-02-17得票数 1
我正在研究数据，在这些数据中，我尝试了不同的分类算法，并看看哪种算法作为基线模型的性能最好。这方面的代码如下：
# Trying out different classifiers and selecting the best
## Creat list of classifiers we're going to loop through
classifiers = [
KNeighborsClassifier(),
SVC(),
DecisionTreeClassifier(),
RandomForestClassifier(),
AdaBo
浏览 2提问于2021-08-08得票数 1
回答已采纳
2回答
我正在建立一个购物车模型，我试图调优两个参数的rpart - CP和最大深度。当每个参数每次都能很好地工作时，当两个参数都被使用时，它总是抛出一个错误，我无法弄清楚原因。
library(caret)
data(iris)
tc <- trainControl("cv",10)
rpart.grid <- expand.grid(cp=seq(0,0.1,0.01), minsplit=c(10,20))
train(Petal.Width ~ Petal.Length + Sepal.Width + Sepal.Length, data=iris, method
浏览 20提问于2016-04-22得票数 7
回答已采纳
我正在尝试Gensim和SciKit learn (Python3)中的主题建模，我想了解更多关于在这两个包中调整超参数的信息。 我在GITHUB上找到了一些相关的讨论，例如"optimize hyperparameters as part of LDA training"，但没有完整的文档。 我甚至不确定在SciKit学习中超参数优化是不是可能的。 我非常感谢你的链接或书籍推荐。
浏览 31提问于2021-01-20得票数 0
1回答
在阅读了大量关于交叉验证的文章之后，我现在感到困惑了。我知道交叉验证用于评估模型性能，并用于从多个算法中选择最佳算法。在选择最佳模型后(通过检验CV分数的均值和标准差)，我们在整个数据集(训练和验证集)上对该模型进行训练，并将其用于现实世界的预测。
假设在交叉验证中使用的三种算法中，我选择了最好的一种。我不明白的是，在这个过程中，我们什么时候调整超参数？我们是在交叉验证过程中使用嵌套交叉验证来调优超参数，还是首先通过交叉验证选择性能最好的算法，然后只为该算法调优超参数？
PS:我将数据集分为训练、测试和有效，在这里我使用训练集和测试集来构建和测试我的模型(这包括所有的预处理步骤和嵌套的cv)，
浏览 0提问于2021-11-24得票数 2
回答已采纳
2回答
在e1071中，R的库有一个内置的()函数来优化我们的算法。
tuneop=tune(svm,y~.,data=dat,kernel="radial",ranges=list(cost=c(0.001, 0.01, 0.1, 1,5,10,100),gamma=c(0.001, 0.01, 0.1, 1,5,10)))
在支持向量机模型中，我使用调优函数来优化我的伽玛和成本参数。对于小型数据集，tune()只需少量时间即可生成最佳模型。但是对于一个非常大的数据集，这需要很长的时间。因此，是否可以添加一个进度条或百分比来监视我们的模型调优的进度。
浏览 0提问于2016-01-02得票数 2
1回答
Keras2.0删除了F1评分，但我想监视它的值。我用序贯模型训练神经网络。
我定义了一个函数，如这里所建议的，。
只有在model.compile中使用该函数时，此函数才能正常工作。通过这种方式，我在每一步都能看到它的价值。问题是，我不想仅仅看到它的价值，但是我希望我的培训能够根据它的价值表现出不同的行为，使用Keras的回调。
如果我试图在回调中插入我的自定义度量，那么我会得到以下错误：
“不可迭代”
您知道如何定义函数，以便它可以用作回调中的参数吗？
浏览 0提问于2018-12-12得票数 6
1回答
如何保存使用mlr包训练的h2o模型，并将其加载到新会话中，以预测新数据集的目标变量？在下面的示例中，我尝试了save和h2o.saveModel，但它抛出了一个错误。
library(mlr)
a <- data.frame(y=factor(c(1,1,1,1,1,1,1,1,0,0,1,0)),
x1=rep(c("a","b", "c"), times=c(6,3,3)))
aTask <- makeClassifTask(data = a, target = "y", pos
浏览 2提问于2017-07-10得票数 2
回答已采纳
1回答
我正在尝试使用pycaret来训练模型，并注意到模型性能在超参数调优之后多次下降。
我附上了一张图片，展示了我是如何调整的。
有人能告诉我我做错了什么吗？
提前感谢！
浏览 3提问于2021-09-02得票数 0
我正在对我的模型进行超参数调整，我的代码如下所示：
para_tunning = {
'learning_rate': [0.01,0.05,0.1],
'min_child_weight': [1, 5, 10],
'gamma': [0.5, 1, 1.5, 2, 5],
'subsample': [0.6, 0.8, 1.0],
'colsample_bytree': [0.6, 0.8, 1.0],
'm
浏览 8提问于2020-11-03得票数 1
在mlr makeRegrTask中可以有一个偏移量吗？ 我想使用具有非单位权重的泊松计数目标的xgboost，因此希望使用base_margin，但除非我遗漏了一些东西，否则xgboost的mlr包不提供这些功能？
浏览 26提问于2019-03-15得票数 0
回答已采纳
2回答
当使用K折叠简历时，有一个列车/验证/测试拆分仍然有用吗？
或者仅仅是一次火车/测试？也就是说，把数据分成k个箱子，把一个放在外面测试，其余的进行训练，并取平均分数。
浏览 0提问于2019-12-17得票数 1
回答已采纳
1回答
我在一门机器学习入门课程中，在创建了两个决策树(第二个在网格搜索后具有最佳参数)后，准确率分数略有下降。我必须解释为什么，但我很困惑为什么如果我们使用最好的参数，分数会下降？问题如下： 将第一个决策树中的准确性分数与执行网格搜索后的准确性分数进行比较。它有什么不同？你很可能会发现准确率分数降低了。这是你所期望的吗？我们执行一轮网格搜索，以阐明最佳超参数值。那么，为什么准确率分数会下降呢？最重要的是，是什么导致了准确率分数的下降?为什么？
浏览 241提问于2021-08-01得票数 0
在重采样期间，将测试值为5和9的max_depth参数。然而，在训练时，使用了完全不同的值10。我预计在训练过程中会设置返回最小RMSE的参数。在本例中，选择了一个完全不同的参数值。 library("mlr3")
library("paradox")
library("mlr3learners")
library("mlr3tuning")
library("data.table")
set.seed(10)
x1 = 1:100
x2 = 2 * x1
y = x1^2 - x2 + rnorm(100)
浏览 23提问于2019-10-11得票数 1
回答已采纳
1回答
MLR3真的很酷。我正试着调整正规化参数。
searchspace_glmnet_trafo = ParamSet$new(list(
ParamDbl$new("regr.glmnet.lambda", log(0.01), log(10))
))
searchspace_glmnet_trafo$trafo = function(x, param_set) {
x$regr.glmnet.lambda = (exp(x$regr.glmnet.lambda))
x
}
但是得到错误
glmnet：：cv.glmnet中的错误(x=数据，y=目标，族=“高斯”)
浏览 3提问于2020-03-22得票数 3
2回答
我读过验证集用于超参数调整和比较模型。但是，如果我的算法/模型没有任何超参数呢？我应该使用验证集吗？因为比较模型也可以使用测试集来完成。
浏览 0提问于2019-03-03得票数 2
4回答
我一直在阅读我们如何将我们的数据分成3部分；通常，我们使用验证集来帮助我们调整参数和测试集，以便对我们的模型的表现有一个无偏的估计，这样我们就可以根据测试集的结果来比较模型。然而，我也读过模型选择应该在调优参数之前完成。我有点糊涂了。哪一个必须先做另一个？验证集是否用于调优？如果是这样的话，我们应该如何在调整参数之前进行模型选择？
浏览 0提问于2018-11-27得票数 10
回答已采纳
1回答
暂停和恢复R中的插入符号培训
、、、、
让我们假设我将在R中进行caret培训，但我想将这个培训分成两个运行过程。
library(mlbench)
data(Sonar)
library(caret)
set.seed(998)
inTraining <- createDataPartition(Sonar$Class, p = .75, list = FALSE)
training <- Sonar[ inTraining,]
testing <- Sonar[-inTraining,]
# First run session
nn.partial <- train(Class ~ ., data =
浏览 3提问于2020-05-23得票数 6
回答已采纳
1回答
我使用的是交叉验证(5倍)的学习技巧。
交叉验证。，我得到我的数据集，并使用它在5倍交叉验证。返回的分数(全部5个)在.80到.85的范围内。
直接训练，如果我使用相同的数据集与火车测试分割(0.2测试部分)，并直接拟合和预测，我得到了.70的准确性。(召回和中华民国也较少)。
因此，在交叉验证中，折叠的单个组合等于我们在火车测试拆分中所做的工作，对吗？那为什么会有很大的不同？我已经读到，原因是交叉验证是过分适合培训数据。但是，当考虑到交叉验证的单一设置(组合)时，它不是与直接拟合和预测相同吗？如果我不知何故知道交叉验证中的特定组合如何分割数据，并使用这种精确的分割方法用于直接方法，难道我不应
浏览 3提问于2017-09-09得票数 0
回答已采纳
在执行超参数调优任务时，可以指定并行运行的试验次数。之后，您还可以选择工人的类型和计数。我不明白的是，当我使两个或更多的试验并行运行，但只有一个工人，每个任务据说占100%的CPU。但是，如果一个任务占用了CPU的所有资源，那么其中两个任务如何并行运行呢？GCP是否提供超过一台机器？
浏览 6提问于2022-01-11得票数 0
回答已采纳
1回答
我正在尝试调整我的XGBClassifier模型。但我没有做到这一点。请找到下面的代码，并请帮助我清理和编辑代码。
import csv
from hyperopt import STATUS_OK
from timeit import default_timer as timer
MAX_EVALS = 200
N_FOLDS = 10
def objective(params, n_folds = N_FOLDS):
"""Objective function for Gradient Boosting Machine Hyperparameter
浏览 33提问于2020-05-23得票数 0
是否对培训或验证数据集进行了超参数调优？post 这里对是否应该使用训练集进行超参数调整给出了不同的意见。我想知道是否可以在训练数据集上进行超参数调优？
此外，我想知道为什么我们应该/不应该对训练数据集进行超参数调优的后果是什么。
提前感谢！
浏览 0提问于2023-05-08得票数 0
如何控制在mlr3中的超带调优期间评估的配置数？我注意到，当我在xgboost()中调优6个参数时，代码会评估大约9种配置。当我在catboost()中调优相同数量的参数时，代码从评估729个配置开始。在这两种情况下，我都使用eta =3。
浏览 4提问于2022-02-08得票数 0
回答已采纳
1回答
关于K次交叉验证的问题
、、、
在机器学习过程中，假设我们选择了k=10作为“K-折叠交叉验证”。在完成“K-折叠交叉验证”的k步后，如何选择分类器的最终模型？(我们将用它来预测新的数据)
浏览 0提问于2018-05-08得票数 2
回答已采纳
引用模型的特定“参数”为\theta_1，还是将该模型的特定“权重”称为w_1，两者之间有什么差别吗？
它们总是完全一样吗？
浏览 0提问于2019-11-23得票数 2
1回答
R中SVM分类参数的设置
、、、、
描述：
对于数据集，我想使用径向基函数( SVM )内核和Weston, Watkins native multi-class来应用Weston, Watkins native multi-class。
必须对rbf内核参数sigma进行调优，我想使用k-folds cross validation来实现这一点。我认为是固定的C。
解决方案：
看来我可以用漂亮的包来做这件事！因此，要使用用于rbf分类的CV来优化MSVM参数MSVM，(使用此)
#While C is fix = 3, define a range to search sigma over it. Search
浏览 3提问于2021-03-04得票数 1
回答已采纳
是否有一种使用进行超参数优化的方法，而无需定义分类器/回归器上的每个参数(参数)？就像自动超参数调优命令一样。在文档中，我找到了，但我并不完全理解这是为了什么。
浏览 8提问于2022-07-11得票数 -1
回答已采纳
我使用4x3设置进行嵌套重采样(在外部循环中进行4次交叉验证，在内部循环中进行3次交叉验证)。目前，我只使用支持向量机(kernlab中的ksvm)。在内部循环中，我正在寻找最佳的调优参数C和sigma。
然后调用getBMRPerformances()输出4个单独的外部测试数据集的性能。函数getBMRTuneResults()也为我使用的度量输出4个值(在我的例子中是cohen's kappa)，但它们与getBMRPerformances()的输出不同，我不知道第二个输出实际上是什么。
浏览 14提问于2019-11-07得票数 0
1回答
我目前正在做一项推特情绪分析，并就正确的步骤顺序提出几个问题。请假定数据已经预先处理并准备好了。所以我会这样做：
使用train_test_split (80:20比)保留测试数据集。将x_train矢量化，因为推特不是数字的。
在接下来的步骤中，我想找出最好的分类器。请假定它们已经进口了。所以我会继续说：
hyperparameterization (网格搜索)包括交叉验证方法。在这一步中，我想确定每个分类器的最佳参数。对于KNN，代码如下：
model = KNeighborsClassifier()
n_neighbors = range(1, 10, 2)
weights = [
浏览 0提问于2020-07-11得票数 3
回答已采纳
我试图在示例中的数据集上运行一个简单的boostedTreeClassifier，但它似乎在第一步就卡住了： 2019-06-28 11:20:31.658689: I tensorflow/core/kernels/data/shuffle_dataset_op.cc:111] Filling up shuffle buffer (this may take a while): 84090 of 85873
2019-06-28 11:20:32.908425: I tensorflow/core/kernels/data/shuffle_dataset_op.cc:162] Shuffl
浏览 52提问于2019-06-29得票数 0
我使用的是一个完全连接的前馈神经网络，它使用keras建立的文本分类。它由3个隐藏层组成。我计划在每个隐藏层之后添加一个辍学层，以防止过度贴合。在调整辍学率时，我将从0.2 -> 0.3 -> 0.4 -> 0.5增加值。
我想知道我是否应该增加训练数据的大小，以便有一个更准确的比较。我的意思是，假设我有100万的训练数据，一个0.2的辍学率。我是否应该将退学率为0.3的培训数据增加到150万？
计算：
1000000 * 0.8 * 0.8 * 0.8 = 512000 (辍学率为0.2)
1500000 * 0.7 * 0.7 * 0.7 = 514500 (辍学率为0.
浏览 0提问于2018-03-07得票数 2
回答已采纳
1回答
这个问题非常类似于；然而，在我正在进行的一个项目中，我只想对我的19个预测器中的三个进行PCA。下面是来自的示例，为了方便，我将使用这个数据(PimaIndiansDiabetes) (这不是我的项目数据，但概念应该是相同的)。然后，我只想对变量的子集做preProcess，即PimaIndiansDiabetes，c(4,5,6)。有办法这样做吗？
library(caret)
library(mlbench)
data(PimaIndiansDiabetes)
control <- trainControl(method="cv",
浏览 9提问于2020-03-02得票数 0
回答已采纳
我开始学习一些sci学习和ML在一般情况下，我遇到了一个问题。我用线性回归建立了一个模型。.score是好的(高于0.8)，但是我想让它更好(也许是0.9)。我已经搜索了sklearn的文档并搜索了这个问题，但是我似乎找不到答案。
我的问题是：可以调优 LinearRegression 模型吗？，如果可以，我在哪里可以找到它？
#----- Forecast in hours -----#
forecast_out = 48
#----- Import and prep data -----#
using pandas to create X and y
x_train, x_test,
浏览 2提问于2020-02-28得票数 0
回答已采纳
在超参数整定过程中，参数(在模型训练中已经学到的权重)是否也是优化的，或者它们是固定的，并且只为超参数找到了最优值？请解释一下。
浏览 0提问于2019-08-26得票数 0
回答已采纳
1回答
我要在我的文本数据集上训练快速文本无监督模型。然而，在train_unsupervised方法中有许多超参数：
lr # learning rate [0.05]
dim # size of word vectors [100]
ws # size of the context window [5]
epoch # number of epochs [5]
minCount # minimal number of word o
浏览 0提问于2022-09-06得票数 1
1回答
我正在研究一个二元分类问题，使用平衡套袋随机森林，神经网络和增强技术。我的数据集大小是977，类比例是77:23。
我的数据集中有61个特征。然而，经过大量的特征选择活动后，我得到了5个功能。但是，这5个特征是用RFECV、Borutapy等随机森林估计器来识别的。因此，有了5个特征，我认为我的Xgboost模型在测试集上不会过分适合，并且提供了更好的性能，但是Xgboost模型仍然适用于测试集，在测试集上产生的结果很差。然而，随机森林在train和test上都具有相似的性能。能帮我理解为什么会发生这种事吗？
列车和试验性能如下
随机林列数据
📷
随机森林-测试数据
📷
随机森林的
roc_a
浏览 0提问于2022-03-04得票数 1
1回答
对于快速的端到端模型开发，TFX pipeline是一个非常好的工具。然而，在最终的模型训练和评估之前，我也想包括超参数调整。
我的问题是，是否存在在管道中包含调优的最佳实践，如果存在，是否可以公开使用？
浏览 0提问于2019-06-18得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
云直播
对象存储活动推荐
腾讯云开发者
