Začněte nyníZačněte zdarma

Variace hyperparametrů

Počet trénovacích iterací a velikost skrytých vrstev jsou dva klíčové hyperparametry, které lze při práci s MLP klasifikátorem měnit. V tomto cvičení je budeš měnit odděleně a sledovat, jak se mění výkon modelu z hlediska přesnosti a AUC ROC křivky.

X_train, y_train, X_test, y_test jsou dostupné v tvém pracovním prostředí. Příznaky už byly standardizovány pomocí StandardScaler(). K dispozici máš také pandas jako pd a numpy jako np.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Upravit a spustit kód