ComenzarEmpieza gratis

Ajuste genético de hiperparámetros con TPOT

Vas a realizar un ejemplo sencillo de ajuste genético de hiperparámetros. TPOT es una librería muy potente con muchas funcionalidades. En esta lección solo rozas la superficie, pero te animamos a explorarla por tu cuenta.

Este es un ejemplo muy pequeño. En la práctica, TPOT está pensado para ejecutarse durante muchas horas para encontrar el mejor modelo. Suele usarse una población y un tamaño de descendencia mucho mayores, así como cientos de generaciones para dar con un buen modelo.

Crearás el estimador, lo ajustarás a los datos de entrenamiento y después lo evaluarás en los datos de prueba.

Para este ejemplo queremos usar:

  • 3 generaciones
  • 4 en el tamaño de la población
  • 3 descendientes en cada generación
  • accuracy como métrica de evaluación

Se ha fijado un random_state de 2 para mantener la consistencia de los resultados.

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en Python

Ver curso

Instrucciones del ejercicio

  • Asigna a las entradas de tpot_clf los valores indicados en el contexto.
  • Crea el clasificador tpot_clf con los argumentos correctos.
  • Ajusta el clasificador a los datos de entrenamiento (tienes X_train y y_train en tu espacio de trabajo).
  • Usa el clasificador ajustado para puntuar en el conjunto de prueba (tienes X_test y y_test en tu espacio de trabajo).

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Editar y ejecutar código