Ajuste conjunto de gamma y C con GridSearchCV
En el ejercicio anterior, el mejor valor de gamma fue 0.001 usando el valor predeterminado de C, que es 1. En este ejercicio vas a buscar la mejor combinación de C y gamma usando GridSearchCV.
Como en el ejercicio anterior, el conjunto de dígitos 2-vs-no-2 ya está cargado, pero esta vez está dividido en las variables X_train, y_train, X_test y y_test. Aunque la validación cruzada ya divide el conjunto de entrenamiento en partes, a menudo es buena idea reservar un conjunto de prueba independiente para asegurarte de que los resultados de la validación cruzada tengan sentido.
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones del ejercicio
- Ejecuta
GridSearchCVpara encontrar los mejores hiperparámetros usando el conjunto de entrenamiento. - Imprime los mejores valores de los parámetros.
- Imprime la exactitud en el conjunto de prueba, que no se usó durante el procedimiento de 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 = {'C':[0.1, 1, 10], 'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters and the corresponding score
print("Best CV params", searcher.best_params_)
print("Best CV accuracy", searcher.best_score_)
# Report the test accuracy using these best parameters
print("Test accuracy of best grid search hypers:", searcher.score(____))