Začněte nyníZačněte zdarma

Analýza nejlepších výsledků

Na konci dne nás zajímá především nejlépe hodnocené „políčko" v grid search. Scikit Learn naštěstí nabízí u objektů gridSearchCv několik parametrů, které poskytují klíčové informace právě o tomto nejlepším políčku (neboli řádku v cv_results_).

Prozkoumáš tři vlastnosti:

  • best_score_ – Skóre (zde ROC_AUC) nejlepšího políčka.
  • best_index_ – Index řádku v cv_results_, který obsahuje informace o nejlepším políčku.
  • best_params_ – Slovník parametrů, které dosáhly nejlepšího skóre, například 'max_depth': 10

Objekt grid search grid_rf_class je k dispozici.

Na řádku 6 byl za tebe vytvořen dataframe (cv_results_df) z cv_results_. Pomůže ti s indexováním do výsledků.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Extrahuj a vypiš ROC_AUC skóre nejlépe hodnoceného políčka v grid_rf_class.
  • Vytvoř proměnnou z nejlépe hodnoceného řádku pomocí indexování do cv_results_df.
  • Vytvoř proměnnou best_n_estimators tak, že z nejlépe hodnoceného políčka v grid_rf_class extrahuješ parametr n_estimators, a vypiš ji.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)
Upravit a spustit kód