Build your ultimate AI agent
课程介绍
在许多机器学习任务中，直接运行一个现成模型并得到预测还不够；您需要的是预测更准确的最佳模型。改进模型的一种方法是进行超参数调优，也就是为特定模型优化其设置。本课程将带您使用 caret、mlr 和 h2o 等包，通过网格搜索、随机搜索、自适应重采样以及自动机器学习（AutoML）等方法，高效地找到超参数的最优组合。此外，您还将使用不同数据集来调优多种有监督学习模型，例如随机森林、梯度提升机、支持向量机，甚至神经网络。准备好开始调优吧！
先修要求
课程大纲
课程大纲
1
超参数简介
为什么会有"hyperparameter（超参数）"这个听起来有点奇怪的词？它"超"在哪里？本节将帮助您理解什么是模型参数，以及它们与机器学习中的超参数有何不同。随后，您将了解为什么需要调优它们，以及 caret 的默认设置如何自动包含超参数调优。
2
使用 caret 进行超参数调优
本章将学习如何使用笛卡尔网格来调优超参数。接着，您会实现更快、更高效的方法。您将使用随机搜索和自适应重采样来调整参数网格，把计算重点放在最优设定附近的取值范围。
3
使用 mlr 进行超参数调优
本章将使用另一款具有便捷超参数调优功能的机器学习包。您将定义笛卡尔网格或执行随机搜索，并尝试更高级的技术。您还将学习用不同方式可视化并评估带有不同超参数的模型。
4
使用 h2o 进行超参数调优
在最后一章，您将使用 h2o——另一款具备便捷超参数调优功能的机器学习包。您将用它训练不同模型并定义笛卡尔网格。然后，您将执行随机搜索并使用停止准则。最后，您将学习 AutoML，这是一个 h2o 接口，只需一个函数即可非常快速、便捷地完成模型与超参数调优。
R
R 中的超参数调优
课程完成
