Chuyển đến nội dung chính

Khóa học

Tinh chỉnh siêu tham số trong R

Nâng caoTrình độ kỹ năng

Đã cập nhật tháng 03, 2026

Bắt Đầu Khóa Học Miễn Phí

RMachine Learning

4 gio

14 video

47 Bài tập

3,500 XP

7,751

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Với nhiều bài toán Machine Learning, chỉ chạy một mô hình mặc định để ra dự đoán là chưa đủ; bạn muốn mô hình tốt nhất với dự đoán chính xác nhất. Một cách để hoàn thiện mô hình là tinh chỉnh siêu tham số (hyperparameter tuning), tức là tối ưu các thiết lập dành riêng cho mô hình đó. Trong khóa học này, bạn sẽ làm việc với các gói caret, mlr và h2o để tìm tổ hợp siêu tham số tối ưu một cách hiệu quả bằng Grid Search, Random Search, tái lấy mẫu thích ứng (adaptive resampling) và Automatic Machine Learning (AutoML). Bên cạnh đó, bạn sẽ làm việc với nhiều bộ dữ liệu và tinh chỉnh các mô hình học có giám sát khác nhau như random forest, gradient boosting machine, support vector machine, và cả neural net. Sẵn sàng để tinh chỉnh nhé!

Điều kiện tiên quyết

Machine Learning with caret in R

1

Giới thiệu về siêu tham số

Vì sao chúng ta dùng từ "hyperparameter" nghe có vẻ lạ? Điều gì khiến nó “hyper”? Tại đây, bạn sẽ hiểu tham số của mô hình là gì, và vì sao chúng khác với siêu tham số trong Machine Learning. Sau đó, bạn sẽ thấy vì sao chúng ta muốn tinh chỉnh chúng và cách thiết lập mặc định của caret tự động bao gồm bước tinh chỉnh siêu tham số.

Tham số và siêu tham số

Tham số mô hình vs. siêu tham số (hyperparameters)

Hyperparameter trong mô hình tuyến tính

Các hệ số là gì?

Ôn tập các kiến thức cơ bản về Machine Learning

Machine learning với caret

Lược đồ lấy mẫu lại (resampling)

Tinh chỉnh hyperparameter với caret

Hyperparameter trong Stochastic Gradient Boosting

Thay đổi số lượng hyperparameter cần tinh chỉnh

Tự thiết lập siêu tham số

Bắt Đầu Chương

2

Tinh chỉnh siêu tham số với caret

Trong chương này, bạn sẽ học cách tinh chỉnh siêu tham số với lưới Descartes (Cartesian grid). Tiếp đó, bạn sẽ triển khai các phương pháp nhanh và hiệu quả hơn. Bạn sẽ dùng Random Search và tái lấy mẫu thích ứng để tinh chỉnh lưới tham số, theo cách tập trung vào các giá trị nằm gần thiết lập tối ưu.

Tinh chỉnh siêu tham số với caret

Tìm hyperparameter

Tìm kiếm lưới Cartesian trong caret

Vẽ biểu đồ đầu ra mô hình hyperparameter

Grid so với Random Search

Grid search với dải hyperparameter

Tìm tùy chọn của train() cho random search

Random search với caret

Lấy mẫu lại thích nghi

Ưu điểm của Adaptive Resampling

Lấy mẫu thích ứng (Adaptive Resampling) với caret

Bắt Đầu Chương

3

Tinh chỉnh siêu tham số với mlr

Tại đây, bạn sẽ dùng một gói Machine Learning khác có các hàm tinh chỉnh siêu tham số rất tiện lợi. Bạn sẽ định nghĩa lưới Descartes hoặc thực hiện Random Search, cũng như các kỹ thuật nâng cao. Bạn cũng sẽ học các cách khác nhau để vẽ và đánh giá mô hình với các siêu tham số khác nhau.

Machine Learning với mlr

Machine Learning với mlr

Mô hình hóa với mlr

Grid search và random search với mlr

Random search với mlr

Thực hiện tinh chỉnh siêu tham số với mlr

Đánh giá siêu tham số với mlr

Vì sao cần đánh giá quá trình tuning?

Đánh giá kết quả tinh chỉnh siêu tham số

Tinh chỉnh nâng cao với mlr

Định nghĩa điều khiển tuning nâng cao

Định nghĩa các thước đo tổng hợp

Thiết lập hyperparameter

Bắt Đầu Chương

4

Tinh chỉnh siêu tham số với h2o

Ở chương cuối, bạn sẽ dùng h2o, một gói Machine Learning khác với các hàm tinh chỉnh siêu tham số rất tiện lợi. Bạn sẽ dùng nó để huấn luyện các mô hình khác nhau và định nghĩa một lưới Descartes. Sau đó, bạn sẽ triển khai Random Search cùng tiêu chí dừng. Cuối cùng, bạn sẽ học AutoML, một giao diện của h2o cho phép tinh chỉnh mô hình và siêu tham số rất nhanh và tiện chỉ với một hàm.

Machine learning với h2o

Chuẩn bị dữ liệu để mô hình hóa với h2o

Mô hình hóa với h2o

Grid và random search với h2o

Tìm kiếm theo lưới với h2o

Random search với h2o

Tiêu chí dừng

Machine learning tự động với H2O

AutoML trong h2o

Chấm điểm leaderboard

Trích xuất mô hình h2o và đánh giá hiệu năng

Tổng kết

Bắt Đầu Chương

Tinh chỉnh siêu tham số trong R

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Cho Doanh Nghiệp

Đào tạo từ 2 người trở lên?

Cung cấp cho nhóm của bạn quyền truy cập vào toàn bộ nền tảng DataCamp, bao gồm tất cả các tính năng.

Trong các Lộ trình sau

Chuyên gia Khoa học Học máy trong R

Học máy có giám sát trong R

giảng viên

Shirin Elsinghorst (formerly Glander)

Shirin Elsinghorst (formerly Glander)

Data Scientist @ codecentric

cộng tác viên

Khóa học tài nguyên

Bc test databộ dữ liệu

Bc train databộ dữ liệu

Breast cancer databộ dữ liệu

Breast cancer data origbộ dữ liệu

Datasets descriptionsbộ dữ liệu

Knowledge databộ dữ liệu

Knowledge origbộ dữ liệu

Knowledge test databộ dữ liệu

Knowledge train databộ dữ liệu

Seeds databộ dữ liệu

Seeds datasetbộ dữ liệu

Seeds test databộ dữ liệu

Seeds train databộ dữ liệu

Voters databộ dữ liệu

Voters origbộ dữ liệu

Voters test databộ dữ liệu

Voters train databộ dữ liệu

Tham gia cùng hơn 19 triệu học viên và bắt đầu Tinh chỉnh siêu tham số trong R ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.