LoslegenKostenlos loslegen

Grid-Search-Funktionen erstellen

In der Data Science ist es eine sehr gute Idee, Algorithmen, Modelle und Prozesse „from scratch“ zu bauen, damit du wirklich verstehst, was auf einer tieferen Ebene passiert. Natürlich gibt es großartige Pakete und Bibliotheken für diese Arbeit (und dazu kommen wir gleich!), aber der Aufbau von Grund auf verschafft dir einen großen Vorteil in deiner Data-Science-Arbeit.

In dieser Übung erstellst du eine Funktion, die 2 Hyperparameter entgegennimmt, Modelle baut und Ergebnisse zurückgibt. Du wirst diese Funktion in einer späteren Übung verwenden.

Dir stehen die Datensätze X_train, X_test, y_train und y_test zur Verfügung.

Diese Übung ist Teil des Kurses

Hyperparameter-Tuning in Python

Kurs anzeigen

Anleitung zur Übung

  • Baue eine Funktion, die zwei Parameter namens learning_rate und max_depth für die Lernrate und die maximale Tiefe entgegennimmt.
  • Füge in der Funktion die Möglichkeit hinzu, ein GBM-Modell zu erstellen und es mit den eingegebenen Hyperparametern auf die Daten zu fitten.
  • Lass die Funktion die Ergebnisse dieses Modells sowie die gewählten Hyperparameter (learning_rate und max_depth) zurückgeben.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Code bearbeiten und ausführen