शुरू करेंमुफ़्त में शुरू करें

ग्रिड सर्च

याद कीजिए कि पिछले लेसन में हमने एक बेसलाइन Gradient Boosting मॉडल बनाया था. अब आपका लक्ष्य इस Gradient Boosting मॉडल के लिए max_depth हाइपरपैरामीटर का सबसे अच्छा मान ढूँढना है. यह हाइपरपैरामीटर प्रत्येक व्यक्तिगत ट्री में नोड्स की संख्या को सीमित करता है. आप हर हाइपरपैरामीटर मान के लिए मॉडल के लोकल परफॉर्मेंस को मापने हेतु K-fold क्रॉस-वैलिडेशन का उपयोग करेंगे.

आपको get_cv_score() फंक्शन दिया गया है, जो ट्रेन डेटासेट और मॉडल पैरामीटर्स की डिक्शनरी को आर्ग्युमेंट्स के रूप में लेता है और 3-fold क्रॉस-वैलिडेशन पर ओवरऑल वैलिडेशन RMSE स्कोर रिटर्न करता है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Kaggle प्रतियोगिता जीतना

पाठ्यक्रम देखें

अभ्यास निर्देश

  • संभावित max_depth मानों के लिए ग्रिड 3, 6, 9, 12 और 15 के साथ निर्दिष्ट करें.
  • ग्रिड में मौजूद प्रत्येक हाइपरपैरामीटर कैंडिडेट को मॉडल की params डिक्शनरी में पास करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Possible max depth values
max_depth_grid = [____]
results = {}

# For each value in the grid
for max_depth_candidate in max_depth_grid:
    # Specify parameters for the model
    params = {'max_depth': ____}

    # Calculate validation score for a particular hyperparameter
    validation_score = get_cv_score(train, params)

    # Save the results for each max depth value
    results[max_depth_candidate] = validation_score   
print(results)
कोड संपादित करें और चलाएँ