Best results का विश्लेषण
दिन के अंत में, हमें मुख्य रूप से grid search में सबसे अच्छा प्रदर्शन करने वाले 'square' की परवाह होती है. सौभाग्य से Scikit Learn के gridSearchCv ऑब्जेक्ट्स में कई पैरामीटर होते हैं जो सिर्फ best square (या cv_results_ की row) पर प्रमुख जानकारी देते हैं.
तीन प्रॉपर्टीज़ जिनका आप अन्वेषण करेंगे:
best_score_– best-performing square से मिला स्कोर (यहाँ ROC_AUC).best_index_–cv_results_में उस row का इंडेक्स जिसमें best-performing square की जानकारी है.best_params_– उन पैरामीटर्स की डिक्शनरी जिनसे best score मिला, उदाहरण के लिए'max_depth': 10
Grid search ऑब्जेक्ट grid_rf_class उपलब्ध है.
लाइन 6 पर आपके लिए cv_results_ से एक dataframe (cv_results_df) बना दिया गया है. यह आपको results में इंडेक्स करने में मदद करेगा.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Hyperparameter Tuning
अभ्यास निर्देश
grid_rf_classमें best performing square से ROC_AUC का स्कोर निकालें और प्रिंट करें.cv_results_dfमें इंडेक्स करके best-performing row से एक वैरिएबल बनाएँ.- best-performing square से
n_estimatorsपैरामीटर निकालकरbest_n_estimatorsनाम का वैरिएबल बनाएँ और उसे प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Print out the ROC_AUC score from the best-performing square
best_score = grid_rf_class._____
print(best_score)
# Create a variable from the row related to the best-performing square
cv_results_df = pd.DataFrame(grid_rf_class.cv_results_)
best_row = cv_results_df.loc[[grid_rf_class.____]]
print(best_row)
# Get the n_estimators parameter from the best-performing square and print
best_n_estimators = grid_rf_class.____["_____"]
print(best_n_estimators)