शुरू करेंमुफ़्त में शुरू करें

Grid Search फंक्शन बनाएँ

डेटा साइंस में एल्गोरिदम, मॉडल और प्रक्रियाएँ 'from scratch' बनाना बेहतरीन अभ्यास है, ताकि आप गहराई से समझ सकें कि वास्तव में क्या हो रहा है. बेशक, इस काम के लिए शानदार पैकेज और लाइब्रेरी उपलब्ध हैं (और हम बहुत जल्द उनका इस्तेमाल भी करेंगे!) लेकिन शुरुआत से बनाना आपके डेटा साइंस काम में आपको बढ़त देता है.

इस अभ्यास में, आप एक फंक्शन बनाएँगे जो 2 हाइपरपैरामीटर ले, मॉडल बनाए और परिणाम लौटाए. आप इस फंक्शन का उपयोग आगे के एक अभ्यास में करेंगे.

आपके पास X_train, X_test, y_train और y_test डेटासेट उपलब्ध होंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • ऐसा फंक्शन बनाएँ जो दो पैरामीटर ले: learning_rate और max_depth — क्रमशः learning rate और maximum depth के लिए.
  • फंक्शन में क्षमता जोड़ें कि वह एक GBM मॉडल बनाए और दिए गए इनपुट हाइपरपैरामीटर के साथ डेटा पर फिट करे.
  • फंक्शन को उस मॉडल के परिणाम और चुने गए हाइपरपैरामीटर (learning_rate और max_depth) रिटर्न करने दें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
कोड संपादित करें और चलाएँ