始める無料で始める

Grid Search 用の関数を作る

データサイエンスでは、アルゴリズムやモデル、プロセスを「ゼロから」実装してみるのはとても良いアイデアです。こうすることで、内部で何が起きているのかをより深く理解できます。もちろん、この作業には優れたパッケージやライブラリがたくさんあります（そして、すぐにそれらも使っていきます！）が、まずは自作することでデータサイエンスの実務で大きな強みになります。

この演習では、2つのハイパーパラメータを受け取り、モデルを作成して結果を返す関数を作成します。この関数は後続の演習でも使用します。

X_train、X_test、y_train、y_test の各データセットが利用可能です。

この演習はコースの一部です

Pythonでのハイパーパラメータチューニング

コースを見る

演習の手順

  • 学習率と最大深さを指定する learning_rate と max_depth という2つの引数を取る関数を作成します。
  • 関数内で GBM モデルを構築し、入力されたハイパーパラメータでデータに適合させる処理を追加します。
  • 関数の返り値として、作成したモデルの結果と、選択したハイパーパラメータ（learning_rate と max_depth）を返します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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(____, ____)])
コードを編集して実行