शुरू करेंमुफ़्त में शुरू करें

Hyperparameter चयन को ऑटोमेट करना

सैकड़ों मॉडलों के लिए सैकड़ों लाइनों का कोड लिखे बिना इच्छित hyperparameter ढूँढना एक बड़ी efficiency gain है, जो आगे चलकर आपके मशीन लर्निंग मॉडल बिल्डिंग में बहुत मदद करेगा.

GBM एल्गोरिदम का एक महत्वपूर्ण hyperparameter है learning rate. लेकिन इस समस्या के लिए कौन-सी learning rate सबसे अच्छी है? एक लूप लिखकर कई संभावनाओं को खोजिए, उन्हें इकट्ठा कर के देखिए, और आप सबसे अच्छी learning rate पा सकते हैं.

आज़माने के लिए संभावित learning rates: 0.001, 0.01, 0.05, 0.1, 0.2 और 0.5

आपके पास X_train, X_test, y_train और y_test डेटासेट उपलब्ध होंगे, और GradientBoostingClassifier आपके लिए इम्पोर्ट किया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • learning rates के लिए एक learning_rates लिस्ट बनाएँ, और अपनी भविष्यवाणियों के accuracy score रखने के लिए एक results_list बनाएँ.
  • दिए गए हर learning rate के लिए एक GBM मॉडल बनाने और प्रत्येक मॉडल के लिए प्रेडिक्शंस बनाने हेतु एक लूप लिखें.
  • learning rate और accuracy score को results_list में सेव करें.
  • results list को एक DataFrame में बदलें और उसे प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Set the learning rates & results storage
learning_rates = ____
results_list = ____

# Create the for loop to evaluate model predictions for each learning rate
for learning_rate in ____:
    model = ____(learning_rate=____)
    predictions = ____.fit(____, ____).predict(____)
    # Save the learning rate and accuracy score
    results_list.append([____, accuracy_score(y_test, ____)])

# Gather everything into a DataFrame
results_df = pd.DataFrame(____, columns=['learning_rate', 'accuracy'])
print(results_df)
कोड संपादित करें और चलाएँ