Začněte nyníZačněte zdarma

Náhodný výběr hyperparametrů

Aby bylo možné provést náhodné prohledávání, musíme nejprve náhodně vzorkovat prostor hyperparametrů.

V tomto cvičení nejprve vytvoříš několik seznamů hyperparametrů, které pak zkombinuješ do seznamu seznamů. Z něj pak náhodně vybereš kombinace hyperparametrů jako přípravu na spuštění náhodného prohledávání.

Pro přehlednost použijeme pouze hyperparametry learning_rate a min_samples_leaf algoritmu GBM, aby příklad zůstal srozumitelný a příliš složitý.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř seznam 200 hodnot hyperparametru learning_rate v rozsahu od 0,01 do 1,5 a ulož ho do proměnné learn_rate_list.
  • Vytvoř seznam hodnot hyperparametru min_samples_leaf v rozsahu od 10 do 40 včetně a ulož ho do proměnné min_samples_list.
  • Zkombinuj tyto seznamy do seznamu seznamů, ze kterého budeš vzorkovat.
  • Náhodně vyber 250 modelů z těchto kombinací hyperparametrů a výsledek vypiš.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Upravit a spustit kód