Začněte nyníZačněte zdarma

Vytvoř funkce pro grid search

V datové vědě je skvělý nápad zkusit si implementovat algoritmy, modely i procesy „od základů" – díky tomu opravdu pochopíš, co se děje pod pokličkou. Samozřejmě existují výborné balíčky a knihovny, které tuto práci usnadňují (a brzy se k nim dostaneme!), ale vlastní implementace ti dá v datové vědě výraznou výhodu.

V tomto cvičení vytvoříš funkci, která přijme 2 hyperparametry, sestaví modely a vrátí výsledky. Tuto funkci pak použiješ v jednom z dalších cvičení.

Máš k dispozici datové sady X_train, X_test, y_train a y_test.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř funkci, která přijímá dva parametry: learning_rate pro rychlost učení a max_depth pro maximální hloubku.
  • Doplň do funkce logiku pro sestavení modelu GBM a jeho natrénování na datech se zadanými hyperparametry.
  • Zajisti, aby funkce vracela výsledky modelu spolu se zvolenými hyperparametry (learning_rate a max_depth).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Upravit a spustit kód