LoslegenKostenlos starten

Hyperparameter zufällig sampeln

Für eine Random Search müssen wir zunächst zufällige Stichproben aus unserem Hyperparameterraum ziehen.

In dieser Übung erstellst du zunächst einige Listen mit Hyperparametern, die zu einer Liste von Listen zusammengefasst werden können. Anschließend ziehst du zufällige Stichproben von Hyperparameter-Kombinationen, um die Random Search vorzubereiten.

Um das Beispiel anschaulich und nicht zu komplex zu halten, verwendest du nur die Hyperparameter learning_rate und min_samples_leaf des GBM-Algorithmus.

Diese Übung ist Teil des Kurses

<Kurs>Hyperparameter-Tuning in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle eine Liste mit 200 Werten für den Hyperparameter learning_rate zwischen 0,01 und 1,5 und weise sie der Liste learn_rate_list zu.
  • Erstelle eine Liste mit Werten zwischen 10 und 40 (einschließlich) für den Hyperparameter min_samples_leaf und weise sie der Liste min_samples_list zu.
  • Fasse diese Listen zu einer Liste von Listen zusammen, aus der gesampelt wird.
  • Ziehe zufällig 250 Modelle aus diesen Hyperparameterkombinationen und gib das Ergebnis aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Code bearbeiten und ausführen