Začněte nyníZačněte zdarma

Objekt RandomizedSearchCV

Stejně jako knihovna GridSearchCV ze Scikit Learn nabízí i RandomizedSearchCV řadu užitečných funkcí pro efektivní provádění náhodného prohledávání. Vytvoříš objekt RandomizedSearchCV s drobnou úpravou oproti objektu GridSearchCV.

Požadované nastavení:

  • Výchozí estimátor Gradient Boosting Classifier
  • 5násobná křížová validace
  • Hodnocení modelů pomocí přesnosti (accuracy)
  • Použití 4 jader pro paralelní zpracování
  • Zajisti refitting nejlepšího modelu a vrácení trénovacích skóre
  • Náhodný výběr 10 modelů

Mřížka hyperparametrů by měla zahrnovat learning_rate (150 hodnot mezi 0,1 a 2) a min_samples_leaf (všechny hodnoty od 20 do 64 včetně).

K dispozici máš datové sady X_train a y_train.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř mřížku parametrů podle zadání výše.
  • Vytvoř objekt RandomizedSearchCV podle zadání výše.
  • Natrénuj objekt RandomizedSearchCV na trénovacích datech.
  • Vypiš hodnoty zvolené procesem modelování pro oba hyperparametry.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
Upravit a spustit kód