Začněte nyníZačněte zdarma

MLP Grid Search

Ladění hyperparametrů lze v sklearn provést zadáním různých vstupních parametrů, přičemž každý z nich lze zakódovat pomocí různých funkcí z numpy. Jednou z metod ladění je grid search, která vyčerpávajícím způsobem prochází všechny kombinace vstupních hyperparametrů zadaných přes param_grid. V tomto cvičení použiješ grid search k prohledání hyperparametrů MLP klasifikátoru.

V pracovním prostředí máš k dispozici X_train, y_train, X_test, y_test a příznaky jsou již standardizovány. K dispozici jsou také pandas jako pd a numpy jako np.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř seznam hodnot [10, 20] pro max_iter a seznam hodnot [(8, ), (16, )] pro hidden_layer_sizes.
  • Nastav grid search se 4 úlohami pomocí n_jobs, aby prošel všechny kombinace hyperparametrů.
  • Vypiš nejlepší AUC skóre a nejlepší estimátor, který k tomuto skóre vedl.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Upravit a spustit kód