CommencerCommencer gratuitement

Réglage des hyperparamètres avec GridSearchCV

Maintenant que vous avez vu comment procéder à l’ajustement des hyperparamètres par recherche de grille, vous allez construire un modèle de régression lasso avec des hyperparamètres optimaux pour prédire les niveaux de glycémie en utilisant les caractéristiques de l’ensemble de données diabetes_df.

X_train, X_test, y_train, et y_test ont été préchargés pour vous. Un objet KFold() a été créé et stocké pour vous sous le nom de kf, ainsi qu’un modèle de régression lasso sous le nom de lasso.

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

Afficher le cours

Instructions

  • Importez GridSearchCV.
  • Créez une grille de paramètres pour "alpha", en utilisant np.linspace() pour créer 20 valeurs régulièrement espacées allant de 0.00001 à 1.
  • Appelez GridSearchCV(), en lui passant lasso, la grille de paramètres, et en définissant cv sur kf.
  • Ajustez l’objet de recherche de grille aux données d’apprentissage pour effectuer une recherche de grille à validation croisée.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Modifier et exécuter le code