क्लासिफिकेशन के लिए सेंटरिंग और स्केलिंग
अब आप स्केलिंग और मॉडल बिल्डिंग को क्रॉस-वैलिडेशन के लिए एक पाइपलाइन में साथ लाएँगे.
आपका कार्य है music_df डेटासेट में फीचर्स को स्केल करने और लॉजिस्टिक रिग्रेशन मॉडल के साथ हाइपरपैरामीटर C के अलग-अलग मानों पर ग्रिड सर्च क्रॉस-वैलिडेशन चलाने के लिए एक पाइपलाइन बनाना. यहाँ टार्गेट वैरिएबल "genre" है, जिसमें रॉक के लिए बाइनरी मान 1 और किसी भी अन्य जेनर के लिए 0 है.
StandardScaler, LogisticRegression, और GridSearchCV आपके लिए पहले से इम्पोर्ट किए गए हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
scikit-learn के साथ Supervised Learning
अभ्यास निर्देश
- पाइपलाइन के लिए स्टेप्स बनाएँ:
"scaler"नाम का एकStandardScaler()ऑब्जेक्ट, और"logreg"नाम का एक लॉजिस्टिक रिग्रेशन मॉडल. parametersबनाइए: पाइपलाइन के भीतर लॉजिस्टिक रिग्रेशन मॉडल केCहाइपरपैरामीटर के लिए0.001से1.0तक के 20 समान अंतराल वाले float मानों पर सर्च करें.- ग्रिड सर्च ऑब्जेक्ट इंस्टैंशिएट करें.
- ग्रिड सर्च ऑब्जेक्ट को ट्रेनिंग डेटा पर फिट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Build the steps
steps = [("____", ____()),
("____", ____())]
pipeline = Pipeline(steps)
# Create the parameter space
parameters = {"____": np.____(____, ____, 20)}
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,
random_state=21)
# Instantiate the grid search object
cv = ____(____, param_grid=____)
# Fit to the training data
cv.____(____, ____)
print(cv.best_score_, "\n", cv.best_params_)