Mise en route avec GridSearchCV
Dans la vidéo, nous avons vu qu’augmenter l’hyperparamètre gamma du noyau RBF améliore la précision sur l’entraînement. Dans cet exercice, nous allons chercher la valeur de gamma qui maximise la précision en validation croisée à l’aide de GridSearchCV de scikit-learn. Une version binaire du jeu de données d’images manuscrites, où l’objectif est simplement de prédire si une image représente un « 2 » ou non, est déjà chargée dans les variables X et y.
Cet exercice fait partie du cours
Classifieurs linéaires en Python
Instructions
- Créez un objet
GridSearchCV. - Appelez la méthode
fit()pour sélectionner la meilleure valeur degammasur la base de la précision en validation croisée.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)