Začněte nyníZačněte zdarma

Pipeline pro předpovídání popularity písní

V závěrečném cvičení sestavíš pipeline, která bude imputovat chybějící hodnoty, škálovat příznaky a ladit hyperparametry modelu logistické regrese. Cílem je najít nejlepší parametry a dosáhnout co nejvyšší přesnosti při předpovídání žánru písně!

Všechny potřebné modely a objekty pro sestavení pipeline už jsou pro tebe předem načteny.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř kroky pipeline tak, že zavoláš jednoduchý imputer, standardní scaler a model logistické regrese.
  • Vytvoř objekt pipeline a předej mu proměnnou steps.
  • Vytvoř objekt grid search pro křížovou validaci s použitím pipeline a zadaných parametrů.
  • Vypiš nejlepší parametry a vypočítej a vypiš skóre přesnosti na testovací sadě pro objekt grid search.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create steps
steps = [("imp_mean", ____()), 
         ("scaler", ____()), 
         ("logreg", ____())]

# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
         "logreg__C": np.linspace(0.001, 1.0, 10)}

# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)

# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))
Upravit a spustit kód