TPOT による遺伝的ハイパーパラメータチューニング
これから遺伝的ハイパーパラメータチューニングのシンプルな例に取り組みます。TPOT は多機能で非常に強力なライブラリです。このレッスンでは入口部分だけを扱いますが、ぜひ時間のあるときにさらに探究してみてください。
ここではごく小さな例を扱います。実務では、TPOT は最適なモデルを見つけるために何時間も走らせる前提で設計されています。良いモデルを見つけるには、より大きな集団サイズと子孫数を設定し、さらに何百世代も回すことになります。
この演習では、推定器を作成し、学習データに適合させ、その後テストデータでスコアを算出します。
この例で使用する設定は次のとおりです。
- 世代数は 3
- 集団サイズは 4
- 各世代の子孫数は 3
- 評価指標は accuracy
結果の再現性を保つため、random_state は 2 に設定されています。
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
演習の手順
- コンテキストで示した値を
tpot_clfの入力に割り当ててください。 - 正しい入力で
tpot_clf分類器を作成してください。 - 分類器を学習データに適合させてください（
X_trainとy_trainはワークスペースに用意されています）。 - 学習済みの分類器を使ってテストデータでスコアを算出してください（
X_testとy_testはワークスペースに用意されています）。
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。
# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____
# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
offspring_size=____, scoring=____,
verbosity=2, random_state=2, cv=2)
# Fit the classifier to the training data
____.____(____, ____)
# Score on the test set
print(____.____(____, ____))