CommencerCommencer gratuitement

Créer des fonctions de grid search

En data science, il est très utile d’essayer de construire des algorithmes, des modèles et des processus « from scratch » afin de vraiment comprendre ce qui se passe en profondeur. Bien sûr, il existe d’excellents packages et bibliothèques pour ce travail (et nous y viendrons très bientôt !), mais construire soi‑même vous donnera un vrai avantage dans vos projets de data science.

Dans cet exercice, vous allez créer une fonction qui prend 2 hyperparamètres, entraîne des modèles et renvoie les résultats. Vous utiliserez cette fonction dans un exercice ultérieur.

Les jeux de données X_train, X_test, y_train et y_test sont à votre disposition.

Cet exercice fait partie du cours

Optimisation des hyperparamètres en Python

Afficher le cours

Instructions

  • Créez une fonction qui prend deux paramètres appelés learning_rate et max_depth pour le taux d’apprentissage et la profondeur maximale.
  • Ajoutez dans la fonction la capacité de construire un modèle GBM et de l’ajuster aux données avec les hyperparamètres passés en entrée.
  • Faites en sorte que la fonction renvoie les résultats de ce modèle ainsi que les hyperparamètres choisis (learning_rate et max_depth).

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Modifier et exécuter le code