Recherche par grille pour MLP
L'ajustement des hyperparamètres peut être réalisé avec sklearn en fournissant divers paramètres d'entrée, chacun pouvant être encodé à l'aide de différentes fonctions de numpy. Une méthode d'ajustement qui examine de façon exhaustive toutes les combinaisons d'hyperparamètres spécifiées avec param_grid est la recherche par grille. Dans cet exercice, vous utiliserez une recherche par grille pour parcourir les hyperparamètres d'un classificateur MLP.
X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail, et les caractéristiques ont déjà été normalisées. pandas sous pd et numpy sous np sont aussi disponibles dans votre espace de travail.
Cette activité fait partie du cours
Prédire le CTR avec le Machine Learning en Python
Instructions de l’exercice
- Créez la liste de valeurs
[10, 20]pourmax_iter, et une liste de valeurs[(8, ), (16, )]pourhidden_layer_sizes. - Configurez une recherche par grille avec 4 tâches en parallèle à l'aide de
n_jobspour parcourir toutes les combinaisons d'hyperparamètres. - Affichez le meilleur score AUC et le meilleur estimateur qui a mené à ce score.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create list of hyperparameters
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}
# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____,
scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)