CommencezCommencez gratuitement

Recherche par grille

L'ajustement des hyperparamètres peut être effectué par sklearn en fournissant divers paramètres d'entrée, dont chacun peut être généré à l'aide de différentes fonctions de numpy. Une méthode d'ajustement qui examine de façon exhaustive toutes les combinaisons d'hyperparamètres spécifiées via param_grid est la recherche par grille. Dans cet exercice, vous utiliserez une recherche par grille pour parcourir les hyperparamètres d'un classificateur de forêt aléatoire, avec comme fonction d'évaluation l'AUC de la courbe ROC.

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail. pandas sous pd, numpy sous np, et sklearn sont aussi disponibles. De plus, GridSearchCV() de sklearn.model_selection est à votre disposition.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Créez la liste de valeurs pour chaque hyperparamètre dans n_estimators et max_depth.
  • Créez un classificateur de forêt aléatoire.
  • Configurez une recherche par grille pour itérer sur toutes les combinaisons d'hyperparamètres.
  • Affichez le meilleur score AUC avec .best_score_, ainsi que le meilleur estimateur ayant mené à ce score avec .best_estimator_.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create list of hyperparameters 
n_estimators = [10, 50]
max_depth = [5, 20]
param_grid = {'n_estimators': ____, 'max_depth': ____}

# Use Grid search CV to find best parameters 
print("starting RF grid search.. ")
rf = ____()
clf = ____(estimator = rf, param_grid = ____, scoring = 'roc_auc')
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Modifier et exécuter le code