शुरू करेंमुफ़्त में शुरू करें

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

पाठ्यक्रम देखें

अभ्यास निर्देश

  • 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.

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_)
कोड संपादित करें और चलाएँ