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

cvičení

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.

Pokyny

100 XP
  • 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.