Analyser la stabilité de TPOT
Vous allez maintenant observer le caractère aléatoire de TPOT en construisant le classifieur avec différents états aléatoires et en examinant quel modèle l’algorithme juge optimal. Cela montre que TPOT peut être assez instable lorsqu’il n’est pas exécuté pendant une durée suffisante.
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 tpot classifier
tpot_clf = TPOTClassifier(generations=2, population_size=4, offspring_size=3, scoring='accuracy', cv=2,
verbosity=2, random_state=____)
# Fit the classifier to the training data
tpot_clf.fit(X_train, y_train)
# Score on the test set
print(tpot_clf.score(X_test, y_test))