Calentamiento con GridSearchCV
En el vídeo vimos que al aumentar el hiperparámetro gamma del kernel RBF aumenta la precisión en entrenamiento. En este ejercicio buscaremos el gamma que maximiza la precisión en validación cruzada usando GridSearchCV de scikit-learn. Una versión binaria del conjunto de datos de dígitos escritos a mano, en la que solo intentas predecir si una imagen es un "2" o no, ya está cargada en las variables X y y.
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones del ejercicio
- Crea un objeto
GridSearchCV. - Llama al método
fit()para seleccionar el mejor valor degammaen función de la precisión de la validación cruzada.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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_)