IniziaInizia gratis

Regolazione degli iperparametri con GridSearchCV

Ora che hai visto come eseguire la messa a punto degli iperparametri con ricerca a griglia, costruirai un modello di regressione lazo con iperparametri ottimali per prevedere i livelli di glucosio nel sangue utilizzando le caratteristiche del dataset diabetes_df.

X_train``X_test, y_train e y_test sono stati precaricati per te. Un oggetto KFold() è stato creato e memorizzato come kf, insieme a un modello di regressione lazo come lasso.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

  • Importazione GridSearchCV.
  • Imposta una griglia di parametri per "alpha", utilizzando np.linspace() per creare 20 valori uniformemente distanziati che vanno da 0.00001 a 1.
  • Chiama GridSearchCV(), passando lasso, la griglia dei parametri, e impostando cv uguale a kf.
  • Adattare l'oggetto di ricerca a griglia ai dati di formazione per eseguire una ricerca a griglia con convalida incrociata.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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_))
Modifica ed esegui il codice