1. Apprendre
    2. /
  2. Cours
    3. /
  3. Apprentissage supervisé avec scikit-learn
Connected

Exercice

Ajustement des hyperparamètres avec RandomizedSearchCV

Comme vous l'avez vu, GridSearchCV peut coûter cher en calcul, surtout si vous explorez un grand espace d'hyperparamètres. Dans ce cas, vous pouvez utiliser RandomizedSearchCV, qui teste un nombre fixe de configurations d'hyperparamètres à partir de distributions de probabilité spécifiées.

Les ensembles d'entraînement et de test provenant de diabetes_df ont été préchargés pour vous sous X_train, X_test, y_train et y_test, où la cible est "diabetes". Un modèle de régression logistique a été créé et stocké dans logreg, ainsi qu'une variable KFold stockée dans kf.

Vous définirez un éventail d'hyperparamètres et utiliserez RandomizedSearchCV, importé de sklearn.model_selection, pour rechercher les hyperparamètres optimaux parmi ces options.

Instructions

100 XP
  • Créez params, en ajoutant "l1" et "l2" comme valeurs de penalty, en définissant C sur un éventail de 50 valeurs à virgule flottante entre 0.1 et 1.0, et class_weight sur soit "balanced", soit un dictionnaire contenant 0:0.8, 1:0.2.
  • Créez l'objet Randomized Search CV, en passant le modèle et les paramètres, et en définissant cv égal à kf.
  • Ajustez logreg_cv aux données d'entraînement.
  • Affichez les meilleurs paramètres du modèle et son score de justesse.