शुरू करेंमुफ़्त में शुरू करें

गीत की लोकप्रियता की भविष्यवाणी के लिए पाइपलाइन

अंतिम अभ्यास में, आप एक पाइपलाइन बनाएँगे जो missing values को इम्प्यूट करेगी, फीचर्स को स्केल करेगी, और logistic regression मॉडल के हाइपरपैरामीटर ट्यूनिंग करेगी. उद्देश्य है कि गीत के genre की भविष्यवाणी करते समय सर्वोत्तम पैरामीटर्स और accuracy खोजी जाए!

पाइपलाइन बनाने के लिए जिन भी मॉडल्स और ऑब्जेक्ट्स की ज़रूरत है, वे सभी आपके लिए पहले से लोड कर दिए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

scikit-learn के साथ Supervised Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • एक simple imputer, एक standard scaler, और एक logistic regression मॉडल को कॉल करके पाइपलाइन के स्टेप्स बनाएँ.
  • एक पाइपलाइन ऑब्जेक्ट बनाएँ, और उसमें steps वैरिएबल पास करें.
  • पाइपलाइन और पैरामीटर्स का उपयोग करते हुए cross-validation करने के लिए एक grid search ऑब्जेक्ट इंस्टैंशिएट करें.
  • सर्वोत्तम पैरामीटर्स प्रिंट करें, और grid search ऑब्जेक्ट के लिए test set accuracy स्कोर की गणना करके प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create steps
steps = [("imp_mean", ____()), 
         ("scaler", ____()), 
         ("logreg", ____())]

# Set up pipeline
pipeline = ____(____)
params = {"logreg__solver": ["newton-cg", "saga", "lbfgs"],
         "logreg__C": np.linspace(0.001, 1.0, 10)}

# Create the GridSearchCV object
tuning = ____(____, param_grid=____)
tuning.fit(X_train, y_train)
y_pred = tuning.predict(X_test)

# Compute and print performance
print("Tuned Logistic Regression Parameters: {}, Accuracy: {}".format(____.____, ____.____))
कोड संपादित करें और चलाएँ