हाइपरपैरामीटर का रैंडम सैंपल लें
रैंडम सर्च करने के लिए, सबसे पहले हमें अपने हाइपरपैरामीटर स्पेस से रैंडम सैंपल लेना होगा.
इस अभ्यास में, आप सबसे पहले कुछ हाइपरपैरामीटर की लिस्ट बनाएँगे जिन्हें मिलाकर एक लिस्ट-ऑफ-लिस्ट्स बनाया जा सके. फिर आप रैंडम सर्च चलाने की तैयारी में हाइपरपैरामीटर कॉम्बिनेशन का रैंडम सैंपल लेंगे.
उदाहरण को सरल और स्पष्ट रखने के लिए, आप GBM एल्गोरिदम के सिर्फ learning_rate और min_samples_leaf हाइपरपैरामीटर का उपयोग करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Hyperparameter Tuning
अभ्यास निर्देश
learning_rateहाइपरपैरामीटर के लिए 0.01 से 1.5 के बीच के 200 मानों की एक लिस्ट बनाएँ और उसेlearn_rate_listमें असाइन करें.min_samples_leafहाइपरपैरामीटर के लिए 10 से 40 (दोनों सम्मिलित) के बीच के मानों की एक लिस्ट बनाएँ और उसेmin_samples_listमें असाइन करें.- इन लिस्ट्स को मिलाकर सैंपलिंग के लिए एक लिस्ट-ऑफ-लिस्ट्स बनाएँ.
- इन हाइपरपैरामीटर कॉम्बिनेशन से रैंडम तरीके से 250 मॉडल सैंपल करें और परिणाम प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))
# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))
# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]
# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]
# Print the result
print(____)