ComenzarEmpieza gratis

Muestrea hiperparámetros aleatoriamente

Para llevar a cabo una búsqueda aleatoria, primero necesitamos hacer un muestreo aleatorio de nuestro espacio de hiperparámetros.

En este ejercicio, primero crearás algunas listas de hiperparámetros que puedas combinar en una lista de listas. Después, seleccionarás aleatoriamente combinaciones de hiperparámetros para preparar la ejecución de una búsqueda aleatoria.

Usarás solo los hiperparámetros learning_rate y min_samples_leaf del algoritmo GBM para que el ejemplo sea ilustrativo y no demasiado complejo.

Este ejercicio forma parte del curso

Ajuste de hiperparámetros en Python

Ver curso

Instrucciones del ejercicio

  • Crea una lista de 200 valores para el hiperparámetro learning_rate entre 0.01 y 1.5 y asígnala a la lista learn_rate_list.
  • Crea una lista de valores entre 10 y 40, ambos incluidos, para el hiperparámetro min_samples_leaf y asígnala a la lista min_samples_list.
  • Combina estas listas en una lista de listas de la que muestrear.
  • Muestra aleatoriamente 250 modelos de estas combinaciones de hiperparámetros e imprime el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Editar y ejecutar código