CommencerCommencer gratuitement

Recherche par grille pour MLP

L’ajustement des hyperparamètres peut être effectué avec sklearn en fournissant différents paramètres d’entrée, chacun pouvant être encodé à l’aide de diverses fonctions de numpy. Une méthode d’ajustement, qui examine exhaustivement toutes les combinaisons d’hyperparamètres spécifiées via param_grid, est la recherche par grille. Dans cet exercice, vous utiliserez une recherche par grille pour explorer les hyperparamètres d’un classifieur MLP.

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail, et les variables explicatives ont déjà été normalisées. pandas sous pd, numpy sous np, sont également disponibles dans votre espace de travail.

Cet exercice fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Afficher le cours

Instructions

  • Créez la liste de valeurs [10, 20] pour max_iter, et une liste de valeurs [(8, ), (16, )] pour hidden_layer_sizes.
  • Configurez une recherche par grille avec 4 tâches en parallèle via n_jobs pour parcourir toutes les combinaisons d’hyperparamètres.
  • Affichez le meilleur score d’AUC et le meilleur estimateur ayant conduit à ce score.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Create list of hyperparameters 
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}

# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____, 
           scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)
Modifier et exécuter le code