ComenzarEmpieza gratis

Crea funciones de Grid Search

En data science es muy buena idea intentar construir algoritmos, modelos y procesos «desde cero» para entender realmente qué está pasando a un nivel más profundo. Por supuesto, hay paquetes y librerías excelentes para este trabajo (¡y llegaremos a eso muy pronto!), pero construir desde cero te dará una gran ventaja en tu trabajo de data science.

En este ejercicio, crearás una función que reciba 2 hiperparámetros, construya modelos y devuelva resultados. Usarás esta función en un ejercicio posterior.

Tendrás disponibles los conjuntos de datos X_train, X_test, y_train y y_test.

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en Python

Ver curso

Instrucciones del ejercicio

  • Crea una función que tome dos parámetros llamados learning_rate y max_depth para la tasa de aprendizaje y la profundidad máxima.
  • Añade a la función la capacidad de construir un modelo GBM y ajustarlo a los datos con los hiperparámetros de entrada.
  • Haz que la función devuelva los resultados de ese modelo y los hiperparámetros elegidos (learning_rate y max_depth).

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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(____, ____)])
Editar y ejecutar código