LoslegenKostenlos loslegen

Hyperparameter variieren

Die Anzahl der Trainingsiterationen und die Größe der versteckten Schichten sind zwei zentrale Hyperparameter, die du bei einem MLP-Klassifikator variieren kannst. In dieser Übung variierst du beide getrennt voneinander und beobachtest, wie sich die Performance in Bezug auf Accuracy und die AUC der ROC-Kurve verändern kann.

X_train, y_train, X_test, y_test sind in deinem Workspace verfügbar. Die Features wurden bereits mit einem StandardScaler() standardisiert. pandas als pd und numpy als np stehen dir ebenfalls zur Verfügung.

Diese Übung ist Teil des Kurses

CTR-Vorhersage mit Machine Learning in Python

Kurs anzeigen

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Code bearbeiten und ausführen