1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Předpovídání CTR pomocí Machine Learning v Pythonu
Connected

cvičení

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.

Pokyny

100 XP
  • 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_.