CommencezCommencez gratuitement

Créer des fonctions de recherche par grille

En science des données, c'est une excellente idée d'essayer de créer des algorithmes, des modèles et des processus « à partir de zéro » afin de bien comprendre ce qui se passe en profondeur. Bien sûr, il existe d'excellents progiciels et bibliothèques pour faire ce travail (et nous y arriverons très bientôt!), mais bâtir à partir de zéro vous donnera un bel avantage dans votre travail en science des données.

Dans cet exercice, vous allez créer une fonction qui reçoit 2 hyperparamètres, construit des modèles et retourne les résultats. Vous réutiliserez cette fonction dans un exercice ultérieur.

Les jeux de données X_train, X_test, y_train et y_test sont à votre disposition.

Cette activité fait partie du cours

Ajustement des hyperparamètres en Python

Voir le cours

Instructions de l’exercice

  • Créez une fonction qui prend deux paramètres appelés learning_rate et max_depth pour le taux d'apprentissage et la profondeur maximale.
  • Ajoutez, dans la fonction, la capacité de construire un modèle GBM et de l'ajuster aux données avec les hyperparamètres fournis en entrée.
  • Faites en sorte que la fonction retourne les résultats de ce modèle ainsi que les hyperparamètres choisis (learning_rate et max_depth).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Modifier et exécuter le code