Ajuster itérativement plusieurs hyperparamètres
Dans cet exercice, vous allez reprendre la fonction que vous avez créée précédemment pour prendre en entrée 2 hyperparamètres, entraîner un modèle et renvoyer les résultats. Vous allez l’utiliser pour parcourir plusieurs valeurs, puis étendre cette fonction et la boucle avec un hyperparamètre supplémentaire.
La fonction gbm_grid_search(learn_rate, max_depth) est disponible dans cet exercice.
Si vous avez besoin de vous rappeler la fonction, vous pouvez exécuter print_func() qui a été préparée pour vous.
Cet exercice fait partie du cours
Optimisation des hyperparamètres en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create the relevant lists
results_list = ____
learn_rate_list = ____
max_depth_list = ____
# Create the for loop
for learn_rate in ____:
for max_depth in ____:
____.append(gbm_grid_search(____,____))
# Print the results
print(____)