Grid Search MLP
Penyetelan hyperparameter dapat dilakukan dengan sklearn dengan menyediakan berbagai parameter masukan, yang masing-masing dapat dikodekan menggunakan berbagai fungsi dari numpy. Salah satu metode penyetelan yang menelusuri seluruh kombinasi hyperparameter masukan yang ditentukan melalui param_grid adalah grid search. Pada latihan ini, Anda akan menggunakan grid search untuk menelusuri hyperparameter pada classifier MLP.
X_train, y_train, X_test, y_test tersedia di workspace Anda, dan fitur telah distandardisasi. pandas sebagai pd, numpy sebagai np, juga tersedia di workspace Anda.
Latihan ini merupakan bagian dari kursus
Memprediksi CTR dengan Machine Learning di Python
Instruksi latihan
- Buat daftar nilai
[10, 20]untukmax_iter, dan daftar nilai[(8, ), (16, )]untukhidden_layer_sizes. - Siapkan grid search dengan 4 job menggunakan
n_jobsuntuk mengiterasi semua kombinasi hyperparameter. - Cetak AUC terbaik, dan estimator terbaik yang menghasilkan skor tersebut.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Create list of hyperparameters
max_iter = [____, ____]
hidden_layer_sizes = [____, ____]
param_grid = {'max_iter': max_iter, 'hidden_layer_sizes': hidden_layer_sizes}
# Use Grid search CV to find best parameters using 4 jobs
mlp = ____
clf = ____(estimator = mlp, param_grid = ____,
scoring = 'roc_auc', ____ = 4)
clf.fit(X_train, y_train)
print("Best Score: ")
print(clf.____)
print("Best Estimator: ")
print(clf.____)