Sintonizzazione degli iperparametri con RandomizedSearchCV

Come hai visto, GridSearchCV può essere costoso dal punto di vista computazionale, soprattutto se la ricerca avviene su un ampio spazio di iperparametri. In questo caso, puoi usare RandomizedSearchCV, che testa un numero fisso di impostazioni di iperparametri da distribuzioni di probabilità specificate.

I set di allenamento e di test di diabetes_df sono stati precaricati come X_train. X_test, y_train, e y_test, dove l'obiettivo è "diabetes". È stato creato un modello di regressione logistica e memorizzato come logreg, così come una variabile KFold memorizzata come kf.

Definisci una serie di iperparametri e utilizza RandomizedSearchCV, importato da sklearn.model_selection, per cercare gli iperparametri ottimali tra queste opzioni.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

Crea params, aggiungendo "l1" e "l2" come valori penalty, impostando C su un intervallo di valori float 50 tra 0.1 e 1.0, e class_weight su "balanced" o su un dizionario contenente 0:0.8, 1:0.2.
Crea l'oggetto Randomized Search CV, passandogli il modello e i parametri e impostando cv come kf.
Adatta logreg_cv ai dati di formazione.
Stampa i parametri migliori del modello e il punteggio di accuratezza.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create the parameter space
params = {"penalty": ["____", "____"],
         "tol": np.linspace(0.0001, 1.0, 50),
         "C": np.linspace(____, ____, ____),
         "class_weight": ["____", {0:____, 1:____}]}

# Instantiate the RandomizedSearchCV object
logreg_cv = ____(____, ____, cv=____)

# Fit the data to the model
logreg_cv.____(____, ____)

# Print the tuned parameters and score
print("Tuned Logistic Regression Parameters: {}".format(____.____))
print("Tuned Logistic Regression Best Accuracy Score: {}".format(____.____))

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Exercise 1: Machine learning with scikit-learn Exercise 2: Binary classification Exercise 3: The supervised learning workflow Exercise 4: The classification challenge Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Predict Exercise 7: Measuring model performance Exercise 8: Train/test split + computing accuracy Exercise 9: Overfitting and underfitting Exercise 10: Visualizing model complexity

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Exercise 1: Introduction to regression Exercise 2: Creating features Exercise 3: Building a linear regression model Exercise 4: Visualizing a linear regression model Exercise 5: The basics of linear regression Exercise 6: Fit and predict for regression Exercise 7: Regression performance Exercise 8: Cross-validation Exercise 9: Cross-validation for R-squared Exercise 10: Analyzing cross-validation metrics Exercise 11: Regularized regression Exercise 12: Regularized regression: Ridge Exercise 13: Lasso regression for feature importance

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

Exercise 1: Quanto è bello il tuo modello?Exercise 2: Decidere una metrica primaria Exercise 3: Valutazione di un classificatore di previsione del diabete Exercise 4: Regressione logistica e curva ROC Exercise 5: Costruire un modello di regressione logistica Exercise 6: La curva ROC Exercise 7: ROC AUC Exercise 8: Regolazione dell'iperparametro Exercise 9: Regolazione degli iperparametri con GridSearchCV Exercise 10: Sintonizzazione degli iperparametri con RandomizedSearchCV

Esercizio in corso

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Exercise 1: Preprocessing data Exercise 2: Creating dummy variables Exercise 3: Regression with categorical features Exercise 4: Handling missing data Exercise 5: Dropping missing data Exercise 6: Pipeline for song genre prediction: I Exercise 7: Pipeline for song genre prediction: II Exercise 8: Centering and scaling Exercise 9: Centering and scaling for regression Exercise 10: Centering and scaling for classification Exercise 11: Evaluating multiple models Exercise 12: Visualizing regression model performance Exercise 13: Predicting on the test set Exercise 14: Visualizing classification model performance Exercise 15: Pipeline for predicting song popularity Exercise 16: Congratulations