Analizando la estabilidad de TPOT
Ahora vas a observar la naturaleza aleatoria de TPOT creando el clasificador con diferentes random states y viendo qué modelo considera el algoritmo como el mejor. Esto ayuda a comprobar que TPOT puede ser bastante inestable si no se ejecuta durante un tiempo razonable.
Este ejercicio forma parte del curso
Ajuste de hiperparámetros en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=2, population_size=4, offspring_size=3, scoring='accuracy', cv=2,
verbosity=2, random_state=____)
# Fit the classifier to the training data
tpot_clf.fit(X_train, y_train)
# Score on the test set
print(tpot_clf.score(X_test, y_test))