MulaiMulai sekarang secara gratis

Objek RandomizedSearchCV

Sama seperti pustaka GridSearchCV dari Scikit Learn, RandomizedSearchCV menyediakan banyak fitur bermanfaat untuk membantu melakukan random search secara efisien. Anda akan membuat objek RandomizedSearchCV, dengan penyesuaian kecil yang diperlukan dari objek GridSearchCV.

Opsi yang diinginkan adalah:

  • Estimator Gradient Boosting Classifier bawaan
  • Validasi silang 5-fold
  • Gunakan accuracy untuk menilai model
  • Gunakan 4 inti untuk pemrosesan paralel
  • Pastikan Anda melakukan refit pada model terbaik dan mengembalikan skor pelatihan
  • Secara acak cuplik 10 model

Himpunan hiperparameter harus untuk learning_rate (150 nilai antara 0.1 dan 2) dan min_samples_leaf (semua nilai antara 20 hingga 64, termasuk batasnya).

Anda akan memiliki himpunan data X_train & y_train.

Latihan ini adalah bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Petunjuk latihan

  • Buat grid parameter seperti yang ditentukan pada konteks di atas.
  • Buat objek RandomizedSearchCV seperti yang diuraikan pada konteks di atas.
  • Fit objek RandomizedSearchCV ke data pelatihan.
  • Cetak nilai yang dipilih proses pemodelan untuk kedua hiperparameter.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create the parameter grid
param_grid = {'learning_rate': np.linspace(____,____,150), 'min_samples_leaf': list(range(____,65))} 

# Create a random search object
random_GBM_class = ____(
    estimator = ____,
    ____ = param_grid,
    ____ = 10,
    scoring='____', n_jobs=____, cv = ____, refit=____, return_train_score = ____)

# Fit to the training data
random_GBM_class.fit(____, ____)

# Print the values used for both hyperparameters
print(random_GBM_class.____['param_learning_rate'])
print(random_GBM_class.cv_results_['____'])
Edit dan Jalankan Kode