Začněte nyníZačněte zdarma

Centrování a škálování pro klasifikaci

Teď spojíš škálování a budování modelu do jednoho pipeline pro křížovou validaci.

Tvým úkolem je sestavit pipeline, která škáluje příznaky v datasetu music_df a provádí grid search křížovou validaci pomocí modelu logistické regrese s různými hodnotami hyperparametru C. Cílová proměnná je zde "genre", která obsahuje binární hodnoty: rock jako 1 a jakýkoli jiný žánr jako 0.

StandardScaler, LogisticRegression a GridSearchCV jsou již naimportovány.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř kroky pipeline: objekt StandardScaler() pojmenovaný "scaler" a model logistické regrese pojmenovaný "logreg".
  • Vytvoř parameters tak, aby prohledávaly 20 rovnoměrně rozložených hodnot typu float v rozsahu od 0.001 do 1.0 pro hyperparametr C modelu logistické regrese v rámci pipeline.
  • Vytvoř instanci objektu grid search.
  • Natrénuj objekt grid search na trénovacích datech.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Build the steps
steps = [("____", ____()),
         ("____", ____())]
pipeline = Pipeline(steps)

# Create the parameter space
parameters = {"____": np.____(____, ____, 20)}
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
                                                    random_state=21)

# Instantiate the grid search object
cv = ____(____, param_grid=____)

# Fit to the training data
cv.____(____, ____)
print(cv.best_score_, "\n", cv.best_params_)
Upravit a spustit kód