GridSearchCV の入力

以下の質問に答えて、GridSeachCV の入力に関する知識を確認しましょう。

コンソールには 3 つの GridSearchCV オブジェクト model_1、model_2、model_3 が用意されています。これらのモデルに学習用のデータはありません。代わりに、オブジェクトの構成を見て答えてください。

これらの GridSearchCV オブジェクトのうち、fit を実行しようとしたときに動作しないのはどれですか？

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

実践的なインタラクティブ演習

理論を実践に変える、インタラクティブな演習のひとつをお試しください

演習を開始する

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

SkillTag.level.intermediateSkillTag.label

4.9+

835 reviews

無料でコースを始める

この導入章では、ハイパーパラメータとパラメータの違いを学びます。パラメータの抽出と分析を練習し、いくつかの代表的なMachine Learningアルゴリズムでハイパーパラメータを設定します。あわせて、どのハイパーパラメータをチューニングすべきか、どの値を試すべきかのベストプラクティスやコツを学び、学習曲線を作成して選択を分析します。

Exercise 1: イントロダクションと「パラメータ」Exercise 2: Logistic Regression におけるパラメータ Exercise 3: ロジスティック回帰のパラメータを抽出する Exercise 4: Random Forestのパラメータを抽出する Exercise 5: ハイパーパラメータの紹介 Exercise 6: Random Forest におけるハイパーパラメータ Exercise 7: Random Forest のハイパーパラメータを探る Exercise 8: KNN のハイパーパラメータ Exercise 9: ハイパーパラメータの設定と分析 Exercise 10: ハイパーパラメータ選択の自動化 Exercise 11: 学習曲線を作る

この章では、Grid Searchと呼ばれる一般的な自動ハイパーパラメータチューニング手法を紹介します。Grid Searchの概要と仕組みを学び、Scikit Learnで実際にGrid Searchを実施します。さらに、Grid Searchの出力の読み解き方を学び、実務的に分析する経験を積みます。

Exercise 1: Grid Search を紹介します Exercise 2: Grid Search 用の関数を作る Exercise 3: 複数のハイパーパラメータを反復的にチューニングする Exercise 4: モデルはいくつ？Exercise 5: Scikit Learnでのグリッドサーチ Exercise 6: GridSearchCV の入力

現在の演習

Exercise 7: Scikit Learn での GridSearchCV Exercise 8: Grid Search の出力を理解する Exercise 9: 最良の出力を活用する Exercise 10: グリッドサーチ結果を探る Exercise 11: ベスト結果の分析 Exercise 12: ベストな結果を使う

この章では、もう一つの代表的な自動ハイパーパラメータチューニング手法であるRandom Searchを紹介します。Random Searchの概要と仕組み、そしてGrid Searchとの違いを学びます。本手法の長所・短所、Grid Searchとの使い分けの考え方を理解します。Scikit LearnでRandom Searchを行い、出力の可視化と解釈にも取り組みます。

Exercise 1: Random Search の導入 Exercise 2: ハイパーパラメータをランダムにサンプリングする Exercise 3: Random Forestでランダムサーチ Exercise 4: Random Search を可視化する Exercise 5: Scikit LearnでのRandom Search Exercise 6: RandomSearchCV の入力 Exercise 7: RandomizedSearchCV オブジェクト Exercise 8: Scikit Learn における RandomSearchCV Exercise 9: Grid Search と Random Search の比較 Exercise 10: Random Search と Grid Search の比較 Exercise 11: Grid と Random Search を並べて比較

最終章では、より高度なハイパーパラメータチューニング手法である「Informed Search」を体験します。ここでは、Coarse To Fine（粗から細へ）のアプローチに加え、BayesianやGeneticアルゴリズムによるチューニングを扱います。Informed Searchが非情報探索（Uninformed Search）とどう異なるかを学び、各手法で実践的なスキルを身につけながら相互に比較します。

Exercise 1: インフォームドサーチ：粗から細へ（Coarse to Fine）Exercise 2: Coarse to Fine の可視化 Exercise 3: Coarse to Fine の反復 Exercise 4: Informed Search: ベイズ統計 Exercise 5: Pythonでのベイズ則 Exercise 6: Hyperopt を使ったベイズ的ハイパーパラメータチューニング Exercise 7: インフォームドサーチ：遺伝的アルゴリズム Exercise 8: TPOT による遺伝的ハイパーパラメータチューニング Exercise 9: TPOT の安定性を分析する Exercise 10: おめでとうございます！