1. Обучение
    2. /
  2. Курса
    3. /
  3. Supervised Learning with scikit-learn
Connected

упражнение

Ladění hyperparametrů pomocí RandomizedSearchCV

Jak jsi viděl/a, GridSearchCV může být výpočetně náročný, zejména při prohledávání velkého prostoru hyperparametrů. V takovém případě se hodí RandomizedSearchCV, který testuje pevně daný počet kombinací hyperparametrů vybraných ze zadaných pravděpodobnostních rozdělení.

Trénovací a testovací sady z diabetes_df jsou pro tebe předpřipravené jako X_train, X_test, y_train a y_test, kde cílová proměnná je "diabetes". Model logistické regrese je uložen jako logreg a proměnná KFold jako kf.

Definuješ rozsah hyperparametrů a použiješ RandomizedSearchCV, importovaný z sklearn.model_selection, k vyhledání optimálních hyperparametrů z těchto možností.

Инструкции

100 XP
  • Vytvoř params: přidej "l1" a "l2" jako hodnoty penalty, nastav C na rozsah 50 hodnot typu float mezi 0.1 a 1.0 a class_weight na "balanced" nebo slovník s hodnotami 0:0.8, 1:0.2.
  • Vytvoř objekt Randomized Search CV — předej mu model a parametry a nastav cv na kf.
  • Natrénuj logreg_cv na trénovacích datech.
  • Vypiš nejlepší parametry modelu a jeho přesnost.