MulaiMulai sekarang secara gratis

Bangun fungsi Grid Search

Dalam data science, sangat baik untuk mencoba membangun algoritme, model, dan proses secara 'from scratch' agar Anda benar-benar memahami apa yang terjadi pada tingkat yang lebih dalam. Tentu saja ada paket dan pustaka hebat untuk pekerjaan ini (dan kita akan segera menggunakannya!), tetapi membangun dari nol akan memberi Anda keunggulan besar dalam pekerjaan data science.

Pada latihan ini, Anda akan membuat sebuah fungsi yang menerima 2 hyperparameter, membangun model, dan mengembalikan hasilnya. Anda akan menggunakan fungsi ini pada latihan berikutnya.

Anda akan memiliki himpunan data X_train, X_test, y_train, dan y_test yang tersedia.

Latihan ini adalah bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Petunjuk latihan

  • Bangun fungsi yang menerima dua parameter bernama learning_rate dan max_depth untuk laju pembelajaran dan kedalaman maksimum.
  • Tambahkan kemampuan dalam fungsi untuk membangun model GBM dan menyesuaikannya dengan data menggunakan hyperparameter masukan.
  • Buat fungsi mengembalikan hasil dari model tersebut dan hyperparameter yang dipilih (learning_rate dan max_depth).

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create the function
def gbm_grid_search(____, ____):

	# Create the model
    model = GradientBoostingClassifier(____=___, ____=____)
    
    # Use the model to make predictions
    predictions = model.fit(____, ____).predict(____)
    
    # Return the hyperparameters and score
    return([____, ____, accuracy_score(____, ____)])
Edit dan Jalankan Kode