Weiter zum Inhalt

Kurs

Hyperparameter-Tuning in R

ExperteSchwierigkeitsgrad

Aktualisiert 03/2026

Lerne, wie du die Hyperparameter deines Modells anpassen kannst, um die besten Vorhersageergebnisse zu bekommen.

Kurs kostenlos starten

RMachine Learning

4 Std.

14 Videos

47 Übungen

3,500 XP

7,751

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Für viele Machine-Learning-Aufgaben reicht es nicht, ein Modell einfach out of the box laufen zu lassen und eine Vorhersage zu erhalten; du willst das beste Modell mit der genauesten Prognose. Eine Möglichkeit, dein Modell zu perfektionieren, ist Hyperparameter-Tuning, also das Optimieren der Einstellungen für dieses spezifische Modell. In diesem Kurs arbeitest du mit den Paketen caret, mlr und h2o, um mithilfe von Grid Search, Random Search, adaptivem Resampling und Automatic Machine Learning (AutoML) effizient die optimale Kombination von Hyperparametern zu finden. Außerdem arbeitest du mit unterschiedlichen Datensätzen und stimmst verschiedene überwachte Lernverfahren ab, etwa Random Forests, Gradient Boosting Machines, Support Vector Machines und sogar neuronale Netze. Mach dich bereit zum Tuning!

Voraussetzungen

Machine Learning with caret in R

1

Einführung in Hyperparameter

Warum verwenden wir das seltsame Wort „Hyperparameter“? Was macht sie „hyper“? Hier verstehst du, was Modellparameter sind und warum sie sich im Machine Learning von Hyperparametern unterscheiden. Anschließend siehst du, warum wir sie abstimmen wollen und wie die Standardeinstellung von caret automatisch Hyperparameter-Tuning beinhaltet.

Parameter vs. Hyperparameter

Modellparameter vs. Hyperparameter

Hyperparameter in linearen Modellen

Was sind die Koeffizienten?

Wiederholung der Grundlagen des maschinellen Lernens

Machine Learning mit caret

Resampling-Schemata

Hyperparameter-Tuning mit caret

Hyperparameter im Stochastic Gradient Boosting

Die Anzahl der zu optimierenden Hyperparameter ändern

Hyperparameter manuell abstimmen

Kapitel starten

2

Hyperparameter-Tuning mit caret

In diesem Kapitel lernst du, wie du Hyperparameter mit einem kartesischen Grid abstimmst. Danach setzt du schnellere und effizientere Ansätze um. Du verwendest Random Search und adaptives Resampling, um das Parameter-Grid so zu tunen, dass es sich auf Werte in der Nähe der optimalen Einstellungen konzentriert.

Hyperparameter-Tuning mit caret

Hyperparameter finden

Kartesische Grid-Suche in caret

Hyperparameter-Modellausgabe plotten

Grid Search vs. Random Search

Grid Search mit Hyperparameter-Bereichen

Finde die Option für random search in train()

Random Search mit caret

Adaptives Resampling

Vorteile von Adaptive Resampling

Adaptives Resampling mit caret

Kapitel starten

3

Hyperparameter-Tuning mit mlr

Hier verwendest du ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du definierst ein kartesisches Grid oder führst Random Search sowie fortgeschrittene Techniken durch. Außerdem lernst du verschiedene Möglichkeiten kennen, Modelle mit unterschiedlichen Hyperparametern zu visualisieren und zu evaluieren.

Machine Learning mit mlr

Machine Learning mit mlr

Modellierung mit mlr

Grid- und Random-Search mit mlr

Random Search mit mlr

Hyperparameter-Tuning mit mlr durchführen

Hyperparameter mit mlr auswerten

Warum Tuning auswerten?

Auswertung von Hyperparameter-Tuning-Ergebnissen

Fortgeschrittenes Tuning mit mlr

Erweiterte Tuning-Controls definieren

Aggregierte Kennzahlen definieren

Hyperparameter setzen

Kapitel starten

4

Hyperparameter-Tuning mit h2o

In diesem letzten Kapitel nutzt du h2o, ein weiteres Machine-Learning-Paket mit sehr praktischen Funktionen für Hyperparameter-Tuning. Du verwendest es, um verschiedene Modelle zu trainieren und ein kartesisches Grid zu definieren. Danach führst du eine Random Search mit Abbruchkriterien durch. Zum Schluss lernst du AutoML kennen, eine h2o-Schnittstelle, die sehr schnelles und bequemes Modell- und Hyperparameter-Tuning mit nur einer Funktion ermöglicht.

Machine Learning mit h2o

Daten für das Modellieren mit h2o vorbereiten

Modellierung mit h2o

Grid- und Random-Suche mit h2o

Grid-Search mit h2o

Random Search mit h2o

Abbruchkriterien

Automatisiertes Machine Learning mit H2O

AutoML in h2o

Bewertung der Leaderboard-Ergebnisse

h2o-Modelle extrahieren und Leistung auswerten

Zusammenfassung

Kapitel starten

Hyperparameter-Tuning in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Für Unternehmen

Training für 2 oder mehr Personen?

Hol dir für dein Team Zugang zur kompletten DataCamp-Plattform mit allen Funktionen.

In den folgenden Pfaden

Machine Learning Scientist mit R

Überwachtes Machine Learning in R

Kursleiter

Shirin Elsinghorst (formerly Glander)

Shirin Elsinghorst (formerly Glander)

Data Scientist @ codecentric

Mitwirkende

Kurs Ressourcen

Bc test dataDatensatz

Bc train dataDatensatz

Breast cancer dataDatensatz

Breast cancer data origDatensatz

Datasets descriptionsDatensatz

Knowledge dataDatensatz

Knowledge origDatensatz

Knowledge test dataDatensatz

Knowledge train dataDatensatz

Seeds dataDatensatz

Seeds datasetDatensatz

Seeds test dataDatensatz

Seeds train dataDatensatz

Voters dataDatensatz

Voters origDatensatz

Voters test dataDatensatz

Voters train dataDatensatz

Schließe dich 19 Millionen Lernenden an und starte Hyperparameter-Tuning in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.