Riscaldamento con GridSearchCV
Nel video abbiamo visto che aumentare l'iperparametro gamma del kernel RBF aumenta l'accuratezza in training. In questo esercizio cercheremo il valore di gamma che massimizza l'accuratezza in cross-validation usando GridSearchCV di scikit-learn. Una versione binaria del dataset di cifre scritte a mano, in cui devi solo prevedere se un'immagine è un "2" oppure no, è già caricata nelle variabili X e y.
Questo esercizio fa parte del corso
Classificatori lineari in Python
Istruzioni dell'esercizio
- Crea un oggetto
GridSearchCV. - Chiama il metodo
fit()per selezionare il valore digammamigliore in base all'accuratezza in cross-validation.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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_)