Analyser les meilleurs résultats

Au final, ce qui nous importe surtout, c’est le « carré » le plus performant d’une grid search. Heureusement, les objets gridSearchCv de Scikit Learn proposent plusieurs attributs qui donnent les informations clés uniquement sur le meilleur carré (ou la ligne dans cv_results_).

Trois propriétés que vous allez explorer :

best_score_ – Le score (ici ROC_AUC) du carré le plus performant.
best_index_ – L’indice de la ligne dans cv_results_ qui contient les informations sur le carré le plus performant.
best_params_ – Un dictionnaire des hyperparamètres ayant donné le meilleur score, par exemple 'max_depth': 10

L’objet de grid search grid_rf_class est disponible.

Un dataframe (cv_results_df) a été créé à partir de cv_results_ pour vous à la ligne 6. Cela vous aidera à indexer les résultats.

Cet exercice fait partie du cours

Optimisation des hyperparamètres en Python

Afficher le cours

Instructions

Extrayez et affichez le score ROC_AUC du carré le plus performant dans grid_rf_class.
Créez une variable à partir de la ligne la plus performante en indexant dans cv_results_df.
Créez une variable best_n_estimators en extrayant l’hyperparamètre n_estimators du carré le plus performant dans grid_rf_class et affichez-la.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)

# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)

# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)

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 Exercise 11: Analyser les meilleurs résultats

Exercice en cours

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 !