Ajuste conjunto de gamma y C con GridSearchCV
En el ejercicio anterior, el mejor valor de gamma fue 0,001 utilizando el valor por defecto de C, que es 1. En este ejercicio buscarás la mejor combinación de C y gamma utilizando GridSearchCV.
Como en el ejercicio anterior, el conjunto de datos 2-vs-no-2 dígitos 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, suele ser una buena idea disponer de un conjunto de prueba independiente para asegurarse de que los resultados de la validación cruzada son razonables.
Este ejercicio forma parte del curso
Clasificadores lineales en Python
Instrucciones de ejercicio
- Ejecute
GridSearchCVpara encontrar los mejores hiperparámetros utilizando el conjunto de entrenamiento. - Imprime los mejores valores de los parámetros.
- Imprima la precisión en el conjunto de prueba, que no se utilizó durante el procedimiento de 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 = {'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(____))