Začněte nyníZačněte zdarma

Automatizace výběru hyperparametrů

Najít nejlepší hodnotu hyperparametru, aniž bys musel/a psát stovky řádků kódu pro stovky modelů, je zásadní úspora času, která ti výrazně usnadní budování modelů strojového učení v budoucnu.

Důležitým hyperparametrem algoritmu GBM je learning rate. Ale která hodnota je pro tento problém nejlepší? Napíšeš smyčku, která projde několik možností, výsledky porovnáš a vyberou nejlepší.

Možné hodnoty learning rate k vyzkoušení jsou: 0.001, 0.01, 0.05, 0.1, 0.2 a 0.5

Máš k dispozici datasety X_train, X_test, y_train a y_test a GradientBoostingClassifier je již naimportován.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř seznam learning_rates s hodnotami learning rate a seznam results_list pro ukládání skóre přesnosti předpovědí.
  • Napiš smyčku, která pro každou hodnotu learning rate vytvoří model GBM a vygeneruje předpovědi.
  • Ulož hodnotu learning rate a skóre přesnosti do results_list.
  • Převeď seznam výsledků na DataFrame a vypiš ho.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set the learning rates & results storage
learning_rates = ____
results_list = ____

# Create the for loop to evaluate model predictions for each learning rate
for learning_rate in ____:
    model = ____(learning_rate=____)
    predictions = ____.fit(____, ____).predict(____)
    # Save the learning rate and accuracy score
    results_list.append([____, accuracy_score(y_test, ____)])

# Gather everything into a DataFrame
results_df = pd.DataFrame(____, columns=['learning_rate', 'accuracy'])
print(results_df)
Upravit a spustit kód