我们将对随机森林超参数进行网格搜索,并在交叉验证期间根据 ROC 曲线下的面积选择性能最佳的模型。 在上一节中,我们曾经gridlar()创建一个超参数值网格。这创建了推荐默认值的常规网格。 另一种进行超参数调整的方法是创建一个 随机 的值网格。许多研究表明,这种方法比常规网格方法做得更好。 在下面的代码中,我们...
代码语言:javascript 复制 ## 根据roc_auc选择最佳模型 besree<-te_uin%>% 完成工作流程 超参数调整的最后一步是 将我们的最佳模型添加到我们的工作流对象中。 可视化结果 为了可视化我们的决策树模型,我们需要使用该fit()函数手动训练我们的工作流对象。 此步骤是可选的,因为并非所有应用程序都需要可视化模型。但...