IniziaInizia gratis

Crea funzioni per la Grid Search

Nel campo della data science è un'ottima idea provare a costruire algoritmi, modelli e processi "da zero" per capire davvero cosa succede a un livello più profondo. Certo, esistono ottimi package e librerie per questo lavoro (e ci arriveremo molto presto!), ma costruire da zero ti darà un grande vantaggio nel tuo lavoro di data science.

In questo esercizio creerai una funzione che prende 2 iperparametri, costruisce i modelli e restituisce i risultati. Userai questa funzione in un esercizio successivo.

Avrai a disposizione gli insiemi di dati X_train, X_test, y_train e y_test.

Questo esercizio fa parte del corso

Ottimizzazione degli iperparametri in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Crea una funzione che accetti due parametri chiamati learning_rate e max_depth, rispettivamente per il learning rate e la profondità massima.
  • Aggiungi alla funzione la capacità di costruire un modello GBM e adattarlo ai dati usando gli iperparametri in input.
  • Fai in modo che la funzione restituisca i risultati di quel modello e gli iperparametri scelti (learning_rate e max_depth).

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(____, ____)])
Modifica ed esegui il codice