Analizzare la stabilità di TPOT
Ora vedrai la natura aleatoria di TPOT costruendo il classificatore con diversi random state e osservando quale modello l’algoritmo considera migliore. Questo aiuta a capire che TPOT è piuttosto instabile se non lo si lascia girare per un tempo ragionevole.
Questo esercizio fa parte del corso
Ottimizzazione degli iperparametri in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=2, population_size=4, offspring_size=3, scoring='accuracy', cv=2,
verbosity=2, random_state=____)
# Fit the classifier to the training data
tpot_clf.fit(X_train, y_train)
# Score on the test set
print(tpot_clf.score(X_test, y_test))