Začněte nyníZačněte zdarma

Grid search

Ladění hyperparametrů lze v sklearn provádět zadáním různých vstupních parametrů, které lze zakódovat pomocí různých funkcí z numpy. Jednou z metod ladění je grid search, která vyčerpávajícím způsobem prochází všechny kombinace vstupních hyperparametrů definovaných přes param_grid. V tomto cvičení použiješ grid search k prohledání hyperparametrů ukázkového klasifikátoru Random Forest s hodnotící funkcí AUC křivky ROC.

V pracovním prostoru máš k dispozici X_train, y_train, X_test, y_test. Dostupné jsou také pandas jako pd, numpy jako np a sklearn. Navíc je k dispozici GridSearchCV() z sklearn.model_selection.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř seznam hodnot pro každý hyperparametr v n_estimators a max_depth.
  • Vytvoř klasifikátor Random Forest.
  • Nastav grid search tak, aby procházel všechny kombinace hyperparametrů.
  • Vypiš nejlepší AUC skóre pomocí .best_score_ a nejlepší estimátor, který k tomuto skóre vedl, pomocí .best_estimator_.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create list of hyperparameters 
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}

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