GridSearchCV-Aufwärmen
Im Video haben wir gesehen, dass das Erhöhen des RBF-Kernel-Hyperparameters gamma die Trainingsgenauigkeit steigert. In dieser Übung suchen wir nach dem gamma, das die Kreuzvalidierungsgenauigkeit maximiert, und nutzen dafür scikit-learns GridSearchCV. Eine binäre Version des Datensatzes handgeschriebener Ziffern, bei der du nur vorhersagen sollst, ob ein Bild eine „2“ ist oder nicht, ist bereits in den Variablen X und y geladen.
Diese Übung ist Teil des Kurses
Lineare Klassifikatoren in Python
Anleitung zur Übung
- Erstelle ein
GridSearchCV-Objekt. - Rufe die Methode
fit()auf, um basierend auf der Kreuzvalidierungsgenauigkeit den besten Wert fürgammazu bestimmen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)