Společné ladění gamma a C pomocí GridSearchCV
V předchozím cvičení byla nejlepší hodnota gamma 0,001 při výchozí hodnotě C, která je 1. V tomto cvičení budeš hledat nejlepší kombinaci C a gamma pomocí GridSearchCV.
Jako v předchozím cvičení je dataset číslic 2-vs-not-2 už načtený, tentokrát ale rozdělený do proměnných X_train, y_train, X_test a y_test. I když křížová validace sama o sobě rozděluje trénovací sadu na části, je dobré si odložit samostatnou testovací sadu — ověříš tím, že výsledky křížové validace dávají smysl.
Toto cvičení je součástí kurzu
Linear Classifiers in Python
Pokyny k cvičení
- Spusť
GridSearchCV, aby na trénovací sadě našel nejlepší hyperparametry. - Vypiš nejlepší nalezené hodnoty parametrů.
- Vypiš přesnost modelu na testovací sadě, která nebyla při křížové validaci použita.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)
# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))