1. Learn
    2. /
  2. कोर्स
    3. /
  3. scikit-learn के साथ Supervised Learning
Connected

अभ्यास

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.

निर्देश

100 XP
  • पाइपलाइन के लिए स्टेप्स बनाएँ: "scaler" नाम का एक StandardScaler() ऑब्जेक्ट, और "logreg" नाम का एक लॉजिस्टिक रिग्रेशन मॉडल.
  • parameters बनाइए: पाइपलाइन के भीतर लॉजिस्टिक रिग्रेशन मॉडल के C हाइपरपैरामीटर के लिए 0.001 से 1.0 तक के 20 समान अंतराल वाले float मानों पर सर्च करें.
  • ग्रिड सर्च ऑब्जेक्ट इंस्टैंशिएट करें.
  • ग्रिड सर्च ऑब्जेक्ट को ट्रेनिंग डेटा पर फिट करें.