GridSearchCV calentamiento
En el vídeo vimos que aumentar el hiperparámetro del kernel RBF gamma aumenta la precisión del entrenamiento. En este ejercicio buscaremos el gamma que maximice la precisión de la validación cruzada utilizando el GridSearchCV de scikit-learn. Una versión binaria del conjunto de datos de dígitos manuscritos, en la que sólo se intenta predecir si una imagen es o no un "2", ya está cargada en las variables X y y.
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones de ejercicio
- Cree un objeto
GridSearchCV. - Llame al método
fit()para seleccionar el mejor valor degammabasándose en la precisión de la validación cruzada.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)