GridSearchCV के साथ हाइपरपैरामीटर ट्यूनिंग
अब जब आप देख चुके हैं कि grid search हाइपरपैरामीटर ट्यूनिंग कैसे की जाती है, तो आप diabetes_df डेटासेट के फीचर्स का उपयोग करके ब्लड ग्लूकोज़ स्तर की भविष्यवाणी के लिए optimal हाइपरपैरामीटर्स वाला एक lasso regression मॉडल बनाएँगे.
X_train, X_test, y_train, और y_test आपके लिए पहले से लोड हैं. एक KFold() ऑब्जेक्ट बनाकर kf के रूप में स्टोर किया गया है, और एक lasso regression मॉडल lasso के रूप में उपलब्ध है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
scikit-learn के साथ Supervised Learning
अभ्यास निर्देश
GridSearchCVइम्पोर्ट करें."alpha"के लिए एक parameter grid सेटअप करें, जहाँnp.linspace()का उपयोग करके0.00001से1तक के 20 समान अंतर वाले मान बनाएँ.GridSearchCV()कॉल करें, जिसमेंlasso, parameter grid पास करें, औरcvकोkfके बराबर सेट करें.- क्रॉस-वैलिडेटेड grid search चलाने के लिए grid search ऑब्जेक्ट को training डेटा पर fit करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import GridSearchCV
____
# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}
# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)
# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))