शुरू करेंमुफ़्त में शुरू करें

RandomizedSearchCV ऑब्जेक्ट

Scikit Learn की GridSearchCV लाइब्रेरी की तरह ही, RandomizedSearchCV भी रैंडम सर्च को कुशलता से चलाने में मदद के लिए कई उपयोगी फीचर्स देता है। आप GridSearchCV ऑब्जेक्ट से आवश्यक छोटे बदलाव के साथ एक RandomizedSearchCV ऑब्जेक्ट बनाने जा रहे हैं।

वांछित विकल्प हैं:

  • डिफॉल्ट Gradient Boosting Classifier एस्टीमेटर
  • 5-fold क्रॉस-वैलिडेशन
  • मॉडलों को स्कोर करने के लिए accuracy का उपयोग
  • पैरेलल प्रोसेसिंग के लिए 4 कोर का उपयोग
  • बेहतरीन मॉडल को दोबारा fit करें और training scores लौटाएँ
  • 10 मॉडलों का रैंडम सैंपल लें

हाइपरपैरामीटर ग्रिड learning_rate (0.1 और 2 के बीच 150 वैल्यूज़) और min_samples_leaf (20 से 64 तक, दोनों सहित, सभी वैल्यूज़) के लिए होना चाहिए।

आपके पास X_train और y_train डेटासेट उपलब्ध रहेंगे।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Hyperparameter Tuning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • ऊपर दिए गए संदर्भ के अनुसार एक पैरामीटर ग्रिड बनाएँ।
  • संदर्भ के अनुसार एक RandomizedSearchCV ऑब्जेक्ट बनाएँ।
  • RandomizedSearchCV ऑब्जेक्ट को training डेटा पर fit करें।
  • मॉडलिंग प्रक्रिया द्वारा चुनी गई दोनों हाइपरपैरामीटर्स के वैल्यूज़ प्रिंट करें।

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
कोड संपादित करें और चलाएँ