Začněte nyníZačněte zdarma

Genetické ladění hyperparametrů pomocí TPOT

Vyzkoušíš si jednoduchý příklad genetického ladění hyperparametrů. TPOT je velmi výkonná knihovna s mnoha možnostmi – v této lekci jen nahlédneš pod pokličku, ale rozhodně doporučujeme, abys ji dál prozkoumával/a na vlastní pěst.

Jde o velmi malý příklad. V praxi je TPOT navržen tak, aby běžel i mnoho hodin a našel co nejlepší model. Normálně bys pracoval/a s mnohem větší populací, více potomky a stovkami generací.

Vytvoříš estimátor, natrénuješ ho na trénovacích datech a vyhodnotíš ho na testovacích datech.

Pro tento příklad použij:

  • 3 generace
  • velikost populace 4
  • 3 potomky v každé generaci
  • přesnost (accuracy) jako metriku hodnocení

Pro konzistentní výsledky je nastaven random_state na hodnotu 2.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Přiřaď hodnoty uvedené v zadání ke vstupním parametrům tpot_clf.
  • Vytvoř klasifikátor tpot_clf se správnými parametry.
  • Natrénuj klasifikátor na trénovacích datech (X_train a y_train jsou dostupné v tvém workspace).
  • Pomocí natrénovaného klasifikátoru ohodnoť výsledky na testovací sadě (X_test a y_test jsou dostupné v tvém workspace).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Upravit a spustit kód