Explorer les résultats de la grid search

Vous allez maintenant explorer la propriété cv_results_ de l’objet GridSearchCV défini dans la vidéo. Il s’agit d’un dictionnaire que l’on peut charger dans un DataFrame pandas et qui contient de nombreuses informations utiles sur la grid search que nous venons d’effectuer.

Rappel des différents types de colonnes dans cette propriété :

colonnes time_
colonnes param_ (une pour chaque hyperparamètre) et la colonne unique params (avec tous les réglages d’hyperparamètres)
une colonne train_score pour chaque fold de validation croisée, ainsi que les colonnes mean_train_score et std_train_score
une colonne test_score pour chaque fold de validation croisée, ainsi que les colonnes mean_test_score et std_test_score
une colonne rank_test_score avec un nombre de 1 à n (nombre d’itérations) classant les lignes selon leur mean_test_score

Cet exercice fait partie du cours

Optimisation des hyperparamètres en Python

Afficher le cours

Instructions

Lisez la propriété cv_results_ de l’objet GridSearchCV grid_rf_class dans un DataFrame et affichez l’ensemble pour inspection.
Extrayez et affichez la colonne unique contenant un dictionnaire de tous les hyperparamètres utilisés à chaque itération de la grid search.
Extrayez et affichez la ligne ayant la meilleure moyenne du score de test en indexant via la colonne rank_test_score.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Read the cv_results property into a dataframe & print it out
cv_results_df = pd.DataFrame(grid_rf_class.____)
print(____)

# Extract and print the column with a dictionary of hyperparameters used
column = cv_results_df.loc[:, [____]]
print(____)

# Extract and print the row that had the best mean test score
best_row = cv_results_df[cv_results_df[____] == ____ ]
print(best_row)

Modifier et exécuter le code

Cet exercice fait partie du cours

Optimisation des hyperparamètres en Python

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Dans ce chapitre d’introduction, vous apprendrez la différence entre hyperparamètres et paramètres. Vous vous exercerez à extraire et analyser des paramètres, puis à définir des valeurs d’hyperparamètres pour plusieurs algorithmes de Machine Learning courants. Au passage, vous verrez des bonnes pratiques pour choisir quels hyperparamètres optimiser, quelles valeurs tester, et vous construirez des courbes d’apprentissage pour analyser vos choix.

Exercise 1: Introduction et « Paramètres »Exercise 2: Paramètres dans la régression logistique Exercise 3: Extraire un paramètre de régression logistique Exercise 4: Extraire un paramètre d’un Random Forest Exercise 5: Introduction aux hyperparamètres Exercise 6: Hyperparamètres dans les Random Forests Exercise 7: Explorer les hyperparamètres de Random Forest Exercise 8: Hyperparamètres de KNN Exercise 9: Définir et analyser les valeurs d’hyperparamètres Exercise 10: Automatiser le choix des hyperparamètres Exercise 11: Construire des courbes d’apprentissage

Ce chapitre vous présente une méthode populaire d’optimisation automatique des hyperparamètres appelée Grid Search. Vous verrez de quoi il s’agit, comment cela fonctionne, et vous pratiquerez une Grid Search avec Scikit Learn. Vous apprendrez ensuite à analyser les résultats d’une Grid Search et vous entraînerez sur des exemples concrets.

Exercise 1: Introduction à la Grid Search Exercise 2: Créer des fonctions de grid search Exercise 3: Ajuster itérativement plusieurs hyperparamètres Exercise 4: Combien de modèles ?Exercise 5: Grid Search avec Scikit Learn Exercise 6: Entrées de GridSearchCV Exercise 7: GridSearchCV avec Scikit Learn Exercise 8: Comprendre la sortie d’une grid search Exercise 9: Utiliser les meilleurs résultats Exercise 10: Explorer les résultats de la grid search

Exercice en cours

Exercise 11: Analyser les meilleurs résultats Exercise 12: Exploiter les meilleurs résultats

Dans ce chapitre, vous découvrirez une autre méthode populaire d’optimisation automatique des hyperparamètres : la Random Search. Vous verrez ce que c’est, comment elle fonctionne et, surtout, en quoi elle diffère de la grid search. Vous étudierez ses avantages et ses limites, et quand la privilégier par rapport à la Grid Search. Vous pratiquerez une Random Search avec Scikit Learn, ainsi que la visualisation et l’interprétation des résultats.

Exercise 1: Introduction à la Random Search Exercise 2: Échantillonner aléatoirement des hyperparamètres Exercise 3: Recherche aléatoire avec Random Forest Exercise 4: Visualiser une Random Search Exercise 5: Random Search avec Scikit Learn Exercise 6: Entrées de RandomSearchCV Exercise 7: L’objet RandomizedSearchCV Exercise 8: RandomizedSearchCV dans Scikit Learn Exercise 9: Comparer Grid Search et Random Search Exercise 10: Comparer Random Search et Grid Search Exercise 11: Grid Search et Random Search côte à côte

Dans ce dernier chapitre, vous aurez un aperçu de méthodes plus avancées d’optimisation des hyperparamètres, regroupées sous le terme « informed search ». Cela inclut une approche dite « coarse to fine », ainsi que des algorithmes bayésiens et génétiques. Vous verrez en quoi l’informed search se distingue de l’uninformed search et acquerrez des compétences pratiques sur chacune des approches mentionnées, en les comparant au fil du chapitre.

Exercise 1: Recherche informée : du global au fin Exercise 2: Visualiser la méthode « du grossier au précis »Exercise 3: Itérations du grossier au fin Exercise 4: Recherche informée : statistiques bayésiennes Exercise 5: Règle de Bayes en Python Exercise 6: Optimisation bayésienne des hyperparamètres avec Hyperopt Exercise 7: Recherche informée : algorithmes génétiques Exercise 8: Réglage génétique des hyperparamètres avec TPOT Exercise 9: Analyser la stabilité de TPOT Exercise 10: Félicitations !