CommencezCommencez gratuitement

Ajustement génétique des hyperparamètres avec TPOT

Vous allez réaliser un simple exemple d'ajustement génétique des hyperparamètres. TPOT est une bibliothèque très puissante qui offre de nombreuses fonctionnalités. Dans cette leçon, vous ne faites qu'effleurer la surface, mais nous vous encourageons fortement à l'explorer par vous-même.

Il s'agit d'un très petit exemple. Dans la pratique, TPOT est conçu pour fonctionner pendant de nombreuses heures afin de trouver le meilleur modèle. Vous utiliseriez une population et un nombre de descendants beaucoup plus grands, ainsi que des centaines de générations supplémentaires pour obtenir un bon modèle.

Vous créerez l'estimateur, l'entraînerez sur les données d'entraînement, puis évaluerez sa performance sur les données de test.

Pour cet exemple, nous voulons utiliser :

  • 3 générations
  • 4 pour la taille de la population
  • 3 descendants à chaque génération
  • accuracy pour la mesure de score

Un random_state de 2 a été défini pour assurer la cohérence des résultats.

Cette activité fait partie du cours

Ajustement des hyperparamètres en Python

Voir le cours

Instructions de l’exercice

  • Attribuez aux paramètres d'entrée de tpot_clf les valeurs indiquées dans le contexte.
  • Créez le classificateur tpot_clf avec les bons paramètres.
  • Entraînez le classificateur sur les données d'entraînement (X_train et y_train sont disponibles dans votre espace de travail).
  • Utilisez le classificateur entraîné pour obtenir un score sur l'ensemble de test (X_test et y_test sont disponibles dans votre espace de travail).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Modifier et exécuter le code