Mise en route avec GridSearchCV
Dans la vidéo, nous avons vu qu'augmenter l'hyperparamètre gamma du noyau RBF accroît la précision à l'entraînement. Dans cet exercice, nous allons chercher la valeur de gamma qui maximise la précision en validation croisée à l'aide de GridSearchCV de scikit-learn. Une version binaire du jeu de données d'images manuscrites, où l'on cherche simplement à prédire si une image est un « 2 » ou non, est déjà chargée dans les variables X et y.
Cette activité fait partie du cours
Classificateurs linéaires en Python
Instructions de l’exercice
- Créez un objet
GridSearchCV. - Appelez la méthode
fit()pour sélectionner la meilleure valeur degammaselon la précision en validation croisée.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)