CommencezCommencez gratuitement

Faire varier les hyperparamètres

Le nombre d'itérations d'entraînement et la taille des couches cachées sont deux hyperparamètres clés que vous pouvez faire varier avec un classificateur MLP. Dans cet exercice, vous ferez varier chacun séparément et noterez comment la performance, en termes de justesse et d'AUC de la courbe ROC, peut changer.

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail. Les variables explicatives ont déjà été normalisées avec un StandardScaler(). pandas sous pd et numpy sous np sont également disponibles dans votre espace de travail.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Loop over various max_iter configurations
max_iter_list = [10, 20, 30]
for max_iter in ____:
	clf = MLPClassifier(hidden_layer_sizes = (4, ), 
                        ____ = max_iter, random_state = 0)
   	# Extract relevant predictions
	y_score = clf.fit(____, ____).____(X_test)
	y_pred = clf.fit(____, ____).____(X_test)

	# Get ROC curve metrics
	print("Accuracy for max_iter = %s: %s" %(
      max_iter, _____(y_test, ____)))
	print("AUC for max_iter = %s: %s" %(
      max_iter, ____(y_test, ____[:, 1])))
Modifier et exécuter le code