ComenzarEmpieza gratis

Búsqueda en cuadrícula con MLP

El ajuste de hiperparámetros puede hacerse con sklearn proporcionando distintos parámetros de entrada, cada uno de los cuales puede codificarse usando varias funciones de numpy. Un método de ajuste que prueba de forma exhaustiva todas las combinaciones de hiperparámetros especificadas mediante param_grid es la búsqueda en cuadrícula. En este ejercicio, usarás una búsqueda en cuadrícula para explorar los hiperparámetros de un clasificador MLP.

X_train, y_train, X_test, y_test están disponibles en tu espacio de trabajo y las características ya se han estandarizado. pandas como pd y numpy como np también están disponibles en tu espacio de trabajo.

Este ejercicio forma parte del curso

Predicción del CTR con Machine Learning en Python

Ver curso

Instrucciones del ejercicio

  • Crea la lista de valores [10, 20] para max_iter, y una lista de valores [(8, ), (16, )] para hidden_layer_sizes.
  • Configura una búsqueda en cuadrícula con 4 trabajos usando n_jobs para iterar sobre todas las combinaciones de hiperparámetros.
  • Imprime la mejor puntuación de AUC y el mejor estimador que produjo esa puntuación.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Editar y ejecutar código