1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Hyperparameter Tuning in Python
Connected

cvičení

Vizualizace přístupu Coarse to Fine

Pustíš se do první části vyhledávání metodou Coarse to Fine. To znamená, že nejprve analyzuješ výsledky úvodního náhodného vyhledávání provedeného nad velkým prohledávacím prostorem a pak rozhodneš, jaký bude logický další krok ke zpřesnění hledání hyperparametrů.

Máš k dispozici:

  • combinations_list – seznam možných kombinací hyperparametrů, nad kterými bylo náhodné vyhledávání provedeno.
  • results_df – DataFrame obsahující každou kombinaci hyperparametrů a výslednou přesnost všech 500 pokusů. Každý hyperparametr je jeden sloupec, jehož záhlaví nese název daného hyperparametru.
  • visualize_hyperparameter() – funkce, která přijme sloupec DataFramu (jako řetězec) a vytvoří bodový graf hodnot tohoto sloupce v porovnání se skóre přesnosti. Příklad volání funkce: visualize_hyperparameter('accuracy')

Pokud si chceš zobrazit definici funkce visualize_hyperparameter(), spusť tento kód:

import inspect
print(inspect.getsource(visualize_hyperparameter))

Pokyny

100 XP
  • Vypiš velikost combinations_list, čímž potvrdíš, proč má smysl začít náhodným vyhledáváním.
  • Seřaď results_df podle hodnot přesnosti a vypiš prvních 10 řádků. Jsou z toho patrné nějaké závěry? Pozor na malý vzorek dat!
  • Vypiš, které hyperparametry byly v tomto vyhledávání použity. Jsou to názvy sloupců v results_df.
  • Zavolej visualize_hyperparameter() postupně pro každý hyperparametr (max_depth, min_samples_leaf, learn_rate). Dají se v datech vysledovat nějaké trendy?