CommencezCommencez gratuitement

Ajustement des hyperparamètres avec GridSearchCV

Vous avez maintenant vu comment effectuer un ajustement d'hyperparamètres par recherche sur grille. Vous allez construire un modèle de régression lasso avec des hyperparamètres optimaux pour prédire les taux de glucose sanguin à partir des variables du jeu de données diabetes_df.

X_train, X_test, y_train et y_test ont été préchargés pour vous. Un objet KFold() a été créé et enregistré sous kf, ainsi qu'un modèle de régression lasso sous lasso.

Cette activité fait partie du cours

Apprentissage supervisé avec scikit-learn

Voir le cours

Instructions de l’exercice

  • Importez GridSearchCV.
  • Configurez une grille de paramètres pour "alpha" en utilisant np.linspace() afin de créer 20 valeurs également espacées allant de 0.00001 à 1.
  • Appelez GridSearchCV() en passant lasso, la grille de paramètres et en définissant cv égal à kf.
  • Ajustez l'objet de recherche sur grille aux données d'entraînement pour effectuer une recherche sur grille avec validation croisée.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Modifier et exécuter le code