Ajuster conjointement gamma et C avec GridSearchCV
Dans l'exercice précédent, la meilleure valeur de gamma était 0,001 avec la valeur par défaut de C, soit 1. Dans cet exercice, vous allez chercher la meilleure combinaison de C et gamma à l'aide de GridSearchCV.
Comme dans l'exercice précédent, l'ensemble de chiffres 2-contre-pas-2 est déjà chargé, mais cette fois il est séparé dans les variables X_train, y_train, X_test et y_test. Même si la validation croisée divise déjà l'ensemble d'entraînement en parties, il est souvent judicieux de réserver un ensemble de test distinct pour vérifier que les résultats de la validation croisée tiennent la route.
Cette activité fait partie du cours
Classificateurs linéaires en Python
Instructions de l’exercice
- Exécutez
GridSearchCVpour trouver les meilleurs hyperparamètres en utilisant l'ensemble d'entraînement. - Affichez les meilleures valeurs des paramètres.
- Affichez l'exactitude sur l'ensemble de test, qui n'a pas été utilisé pendant la procédure de 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 = {'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(____))