Mulai sekarangMulai gratis

Penyetelan hyperparameter dengan GridSearchCV

Sekarang Anda telah melihat cara melakukan penyetelan hyperparameter dengan grid search, Anda akan membangun model regresi lasso dengan hyperparameter optimal untuk memprediksi kadar glukosa darah menggunakan fitur pada himpunan data diabetes_df.

X_train, X_test, y_train, dan y_test telah dimuat sebelumnya untuk Anda. Objek KFold() telah dibuat dan disimpan sebagai kf, bersama dengan model regresi lasso sebagai lasso.

Latihan ini merupakan bagian dari kursus

Supervised Learning dengan scikit-learn

Lihat Kursus

Instruksi latihan

  • Impor GridSearchCV.
  • Siapkan parameter grid untuk "alpha", gunakan np.linspace() untuk membuat 20 nilai berjarak sama dari 0.00001 hingga 1.
  • Panggil GridSearchCV(), lewatkan lasso, parameter grid, dan atur cv sama dengan kf.
  • Latih objek grid search pada data pelatihan untuk melakukan grid search tervalidasi-silang.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import GridSearchCV
____

# Set up the parameter grid
param_grid = {"____": np.linspace(____, ____, ____)}

# Instantiate lasso_cv
lasso_cv = ____(____, ____, cv=____)

# Fit to the training data
____
print("Tuned lasso paramaters: {}".format(lasso_cv.best_params_))
print("Tuned lasso score: {}".format(lasso_cv.best_score_))
Edit dan Jalankan Kode