Začněte nyníZačněte zdarma

Ladění hyperparametrů pomocí GridSearchCV

Teď, když víš, jak funguje vyhledávání v mřížce, sestavíš model lasso regrese s optimálními hyperparametry pro předpovídání hladiny glukózy v krvi. Jako vstupní příznaky použiješ dataset diabetes_df.

X_train, X_test, y_train a y_test jsou už předpřipraveny. Objekt KFold() je uložen jako kf a model lasso regrese jako lasso.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj GridSearchCV.
  • Nastav mřížku parametrů pro "alpha" – pomocí np.linspace() vytvoř 20 rovnoměrně rozložených hodnot od 0.00001 do 1.
  • Zavolej GridSearchCV() a předej mu lasso, mřížku parametrů a nastav cv na kf.
  • Natrénuj objekt grid search na trénovacích datech, aby provedl křížově ověřené prohledávání mřížky.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Upravit a spustit kód