Pemanasan GridSearchCV
Dalam video, kita melihat bahwa menaikkan hiperparameter kernel RBF gamma meningkatkan akurasi pelatihan. Pada latihan ini, kita akan mencari nilai gamma yang memaksimalkan akurasi validasi silang menggunakan GridSearchCV dari scikit-learn. Versi biner dari himpunan data angka tulisan tangan, di mana Anda hanya mencoba memprediksi apakah sebuah gambar adalah "2" atau bukan, sudah dimuat ke dalam variabel X dan y.
Latihan ini merupakan bagian dari kursus
Klasifikator Linear di Python
Instruksi latihan
- Buat objek
GridSearchCV. - Panggil metode
fit()untuk memilih nilaigammaterbaik berdasarkan akurasi validasi silang.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Instantiate an RBF SVM
svm = SVC()
# Instantiate the GridSearchCV object and run the search
parameters = {'gamma':[0.00001, 0.0001, 0.001, 0.01, 0.1]}
searcher = GridSearchCV(svm, ____)
____.fit(____)
# Report the best parameters
print("Best CV params", searcher.best_params_)